Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | MaRS Ctr | - |
Autor(es): dc.contributor | Univ Waterloo | - |
Autor(es): dc.contributor | Perimeter Inst Theoret Phys | - |
Autor(es): dc.contributor | Flatiron Inst | - |
Autor(es): dc.contributor | Universidade Federal do Rio de Janeiro (UFRJ) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Carrasquilla, Juan | - |
Autor(es): dc.creator | Torlai, Giacomo | - |
Autor(es): dc.creator | Melko, Roger G. | - |
Autor(es): dc.creator | Aolita, Leandro [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:56:33Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:56:33Z | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2019-03-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1038/s42256-019-0028-1 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/209442 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/209442 | - |
Descrição: dc.description | A major bottleneck in the development of scalable many-body quantum technologies is the difficulty in benchmarking state preparations, which suffer from an exponential 'curse of dimensionality' inherent to the classical description of quantum states. We present an experimentally friendly method for density matrix reconstruction based on neural network generative models. The learning procedure comes with a built-in approximate certificate of the reconstruction and makes no assumptions about the purity of the state under scrutiny. It can efficiently handle a broad class of complex systems including prototypical states in quantum information, as well as ground states of local spin models common to condensed matter physics. The key insight is to reduce state tomography to an unsupervised learning problem of the statistics of an informationally complete quantum measurement. This constitutes a modern machine learning approach to the validation of complex quantum devices, which may in addition prove relevant as a neural-network ansatz over mixed states suitable for variational optimization. Present day quantum technologies enable computations with tens and soon hundreds of qubits. A major outstanding challenge is to measure and benchmark the complete quantum state, a task that grows exponentially with the system size. Generative models based on restricted Boltzmann machines and recurrent neural networks can be employed to solve this quantum tomography problem in a scalable manner. | - |
Descrição: dc.description | Perimeter Institute for Theoretical Physics | - |
Descrição: dc.description | Shared Hierarchical Academic Research Computing Network (SHARCNET) | - |
Descrição: dc.description | Government of Canada through Innovation, Science and Economic Development Canada | - |
Descrição: dc.description | Province of Ontario through the Ministry of Economic Development, Job Creation and Trade | - |
Descrição: dc.description | NSERC of Canada | - |
Descrição: dc.description | Canada Research Chair | - |
Descrição: dc.description | AI grant | - |
Descrição: dc.description | Canada CIFAR AI (CCAI) Chairs Program | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado do Rio de Janeiro (FAPERJ) | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Brazilian agency Brazilian Serrapilheira Institute | - |
Descrição: dc.description | MaRS Ctr, Vector Inst Artificial Intelligence, Toronto, ON, Canada | - |
Descrição: dc.description | Univ Waterloo, Dept Phys & Astron, Waterloo, ON, Canada | - |
Descrição: dc.description | Perimeter Inst Theoret Phys, Waterloo, ON, Canada | - |
Descrição: dc.description | Flatiron Inst, Ctr Computat Quantum Phys, New York, NY USA | - |
Descrição: dc.description | Univ Fed Rio de Janeiro, Inst Fis, Rio De Janeiro, Brazil | - |
Descrição: dc.description | UNESP Univ Estadual Paulista, Inst Fis Teor, ICTP South Amer Inst Fundamental Res, Sao Paulo, Brazil | - |
Descrição: dc.description | UNESP Univ Estadual Paulista, Inst Fis Teor, ICTP South Amer Inst Fundamental Res, Sao Paulo, Brazil | - |
Descrição: dc.description | CNPq: 311416/2015-2 | - |
Descrição: dc.description | FAPERJ: JCN E-26/202.701/2018 | - |
Descrição: dc.description | CAPES: PROCAD2013 | - |
Descrição: dc.description | Brazilian agency Brazilian Serrapilheira Institute: Serra-1709-17173 | - |
Formato: dc.format | 155-161 | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Springer | - |
Relação: dc.relation | Nature Machine Intelligence | - |
???dc.source???: dc.source | Web of Science | - |
Título: dc.title | Reconstructing quantum states with generative models | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: