nach oben

Quantum Information Processing

Erschienen in:

01.08.2020

Machine learning on quantifying quantum steerability

verfasst von: Ye-Qi Zhang, Li-Juan Yang, Qi-Liang He, Liang Chen

Erschienen in: Quantum Information Processing | Ausgabe 8/2020

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

We apply the artificial neural network to quantify two-qubit steerability based on the steerable weight, which can be computed through semidefinite programming. Due to the fact that the optimal measurement strategy is unknown, it is still very difficult and time-consuming to efficiently obtain the steerability for an arbitrary quantum state. In this work, we show the method via machine learning technique which provides an effective way to quantify steerability. Furthermore, the generalization ability of the trained model is also demonstrated by applying to the Werner state and that in dephasing noise channel. Our findings provide an new way to obtain steerability efficiently and accurately, revealing effective application of the machine learning method on exploring quantum steering.

Vorheriger Artikel Quantum Fisher information-based detection of genuine tripartite entanglement

Nächster Artikel Generation of optical-photon-and-magnon entanglement in an optomagnonics-mechanical system

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Schrodinger, E.: Discussion of probability relations between separated systems. Math. Proc. Camb. Philos. Soc. 31(4), 555 (1935). https://doi.org/10.1017/S0305004100013554ADSCrossRefMATH

Einstein, A., Podolsky, B., Rosen, N.: Can quantum-mechanical description of physical reality be considered complete? Phys. Rev. 47, 777 (1935). https://doi.org/10.1103/PhysRev.47.777ADSCrossRefMATH

Wiseman, H.M., Jones, S.J., Doherty, A.C.: Steering, entanglement, nonlocality, and the Einstein–Podolsky–Rosen paradox. Phys. Rev. Lett. 98, 140402 (2007). https://doi.org/10.1103/PhysRevLett.98.140402ADSMathSciNetCrossRefMATH

Branciard, C., Cavalcanti, E.G., Walborn, S.P., Scarani, V., Wiseman, H.M.: One-sided device-independent quantum key distribution: security, feasibility, and the connection with steering. Phys. Rev. A 85, 010301 (2012). https://doi.org/10.1103/PhysRevA.85.010301ADSCrossRef

Acín, A., Brunner, N., Gisin, N., Massar, S., Pironio, S., Scarani, V.: Device-independent security of quantum cryptography against collective attacks. Phys. Rev. Lett. 98, 230501 (2007). https://doi.org/10.1103/PhysRevLett.98.230501ADSCrossRef

Passaro, E., Cavalcanti, D., Skrzypczyk, P., Acín, A.: Optimal randomness certification in the quantum steering and prepare-and-measure scenarios. New J. Phys. 17(11), 113010 (2015). https://doi.org/10.1088/1367-2630/17/11/113010ADSCrossRefMATH

Piani, M., Watrous, J.: Necessary and sufficient quantum information characterization of Einstein–Podolsky–Rosen steering. Phys. Rev. Lett. 114, 060404 (2015). https://doi.org/10.1103/PhysRevLett.114.060404ADSMathSciNetCrossRef

Cavalcanti, E.G., Jones, S.J., Wiseman, H.M., Reid, M.D.: Experimental criteria for steering and the Einstein–Podolsky–Rosen paradox. Phys. Rev. A 80, 032112 (2009). https://doi.org/10.1103/PhysRevA.80.032112ADSCrossRef

Walborn, S.P., Salles, A., Gomes, R.M., Toscano, F., Souto Ribeiro, H.: Revealing hidden Einstein–Podolsky–Rosen nonlocality. Phys. Rev. Lett. 106, 130402 (2011). https://doi.org/10.1103/PhysRevLett.106.130402ADSCrossRef

10.

Schneeloch, J., Broadbent, C.J., Walborn, S.P., Cavalcanti, E.G., Howell, J.C.: Einstein–Podolsky–Rosen steering inequalities from entropic uncertainty relations. Phys. Rev. A 87, 062103 (2013). https://doi.org/10.1103/PhysRevA.87.062103ADSCrossRef

11.

Pramanik, T., Kaplan, M., Majumdar, A.S.: Fine-grained Einstein–Podolsky–Rosen—steering inequalities. Phys. Rev. A 90, 050305 (2014). https://doi.org/10.1103/PhysRevA.90.050305ADSCrossRef

12.

Kogias, I., Skrzypczyk, P., Cavalcanti, D., Acín, A., Adesso, G.: Hierarchy of steering criteria based on moments for all bipartite quantum systems. Phys. Rev. Lett. 115, 210401 (2015). https://doi.org/10.1103/PhysRevLett.115.210401ADSCrossRef

13.

Das, D., Sasmal, S., Roy, S.: Detecting Einstein–Podolsky–Rosen steering through entanglement detection. Phys. Rev. A 99, 052109 (2019). https://doi.org/10.1103/PhysRevA.99.052109ADSMathSciNetCrossRef

14.

Chen, C., Ren, C., Ye, X.J., Chen, J.L.: Mapping criteria between nonlocality and steerability in qudit–qubit systems and between steerability and entanglement in qubit–qudit systems. Phys. Rev. A 98, 052114 (2018). https://doi.org/10.1103/PhysRevA.98.052114ADSCrossRef

15.

Yang, H., Ding, Z.Y., Wang, D., Yuan, H., Song, X.K., Yang, J., Zhang, C.J., Ye, L.: Experimental observation of Einstein–Podolsky–Rosen steering via entanglement detection. Phys. Rev. A 101, 042115 (2020). https://doi.org/10.1103/PhysRevA.101.042115ADSCrossRef

16.

Hsieh, C.Y., Liang, Y.C., Lee, R.K.: Quantum steerability: characterization, quantification, superactivation, and unbounded amplification. Phys. Rev. A 94, 062120 (2016). https://doi.org/10.1103/PhysRevA.94.062120ADSCrossRef

17.

Das, D., Datta, S., Jebaratnam, C., Majumdar, A.S.: Cost of Einstein–Podolsky–Rosen steering in the context of extremal boxes. Phys. Rev. A 97, 022110 (2018). https://doi.org/10.1103/PhysRevA.97.022110ADSCrossRef

18.

Kaur, E., Wang, X., Wilde, M.M.: Conditional mutual information and quantum steering. Phys. Rev. A 96, 022332 (2017). https://doi.org/10.1103/PhysRevA.96.022332ADSMathSciNetCrossRef

19.

Ku, H.Y., Chen, S.L., Budroni, C., Miranowicz, A., Chen, Y.N., Nori, F.: Einstein–Podolsky–Rosen steering: its geometric quantification and witness. Phys. Rev. A 97, 022338 (2018). https://doi.org/10.1103/PhysRevA.97.022338ADSCrossRef

20.

Skrzypczyk, P., Navascués, M., Cavalcanti, D.: Quantifying Einstein–Podolsky–Rosen steering. Phys. Rev. Lett. 112, 180404 (2014). https://doi.org/10.1103/PhysRevLett.112.180404ADSCrossRef

21.

Vandenberghe, L., Boyd, S.: Semidefinite programming. SIAM Rev. 38(1), 49 (1996). https://doi.org/10.1137/1038003MathSciNetCrossRefMATH

22.

Cavalcanti, D., Skrzypczyk, P.: Quantum steering: a review with focus on semidefinite programming. Rep. Prog. Phys. 80(2), 024001 (2016). https://doi.org/10.1088/1361-6633/80/2/024001ADSMathSciNetCrossRef

23.

Bishop, C.: Pattern Recognition and Machine Learning. Springer, New York (2006)MATH

24.

Carleo, G., Cirac, I., Cranmer, K., Daudet, L., Schuld, M., Tishby, N., Vogt-Maranto, L., Zdeborová, L.: Machine learning and the physical sciences. Rev. Mod. Phys. 91, 045002 (2019). https://doi.org/10.1103/RevModPhys.91.045002ADSCrossRef

25.

Ch’ng, K., Carrasquilla, J., Melko, R.G., Khatami, E.: Machine learning phases of strongly correlated fermions. Phys. Rev. X 7, 031038 (2017). https://doi.org/10.1103/PhysRevX.7.031038CrossRef

26.

Yoshioka, N., Akagi, Y., Katsura, H.: Learning disordered topological phases by statistical recovery of symmetry. Phys. Rev. B 97, 205110 (2018). https://doi.org/10.1103/PhysRevB.97.205110ADSCrossRef

27.

Torlai, G., Mazzola, G., Carrasquilla, J., Troyer, M.: Neural-network quantum state tomography. Nat. Phys 14, 447 (2018). https://doi.org/10.1038/s41567-018-0048-5CrossRef

28.

Deng, D.L.: Machine learning detection of bell nonlocality in quantum many-body systems. Phys. Rev. Lett. 120, 240402 (2018). https://doi.org/10.1103/PhysRevLett.120.240402ADSMathSciNetCrossRef

29.

Canabarro, A., Brito, S., Chaves, R.: Machine learning nonlocal correlations. Phys. Rev. Lett. 122, 200401 (2019). https://doi.org/10.1103/PhysRevLett.122.200401ADSCrossRef

30.

Ren, C., Chen, C.: Steerability detection of an arbitrary two-qubit state via machine learning. Phys. Rev. A 100, 022314 (2019). https://doi.org/10.1103/PhysRevA.100.022314ADSCrossRef

31.

Nielsen, M.A.: Neural Networks and Deep Learning. Determination Press, New York (2015)

32.

Werner, R.F.: Quantum states with Einstein–Podolsky–Rosen correlations admitting a hidden-variable model. Phys. Rev. A 40, 4277 (1989). https://doi.org/10.1103/PhysRevA.40.4277ADSCrossRefMATH

33.

Nielsen, M.A., Chuang, I.L.: Quantum Computation and Quantum Information. Cambridge University Press, Cambridge (2010)CrossRef

Titel: Machine learning on quantifying quantum steerability
verfasst von: Ye-Qi Zhang
Li-Juan Yang
Qi-Liang He
Liang Chen
Publikationsdatum: 01.08.2020
Verlag: Springer US
Erschienen in: Quantum Information Processing / Ausgabe 8/2020
Print ISSN: 1570-0755
Elektronische ISSN: 1573-1332
DOI: https://doi.org/10.1007/s11128-020-02769-4

Neuer Inhalt

Bildnachweise

VDI-Icon, Profil Icon, inhalt2, Springer Professional Modul/© Springer Fachmedien Wiesbaden GmbH, Nachhaltigkeitsaward Key Visual/© Cometis AG/Global ESG Monitor | Daniel Rupp | Generiert mit KI, Search Icon, Banner Hanser, Arbeitszeit/© granata68 / Fotolia, E-Autos im Fuhrpark: Lohnt sich das noch?/© Petair / stock.adobe.com, Kryptowährungen/© gopixa / Getty Images / iStock, Zeitschrift Wissensmanagement Cover, PatentFit-Logo/© Springer Fachmedien Wiesbaden GmbH, Sustainibility Finance/© Robert Kneschke / stock.adobe.com / Springer Fachmedien Wiesbaden GmbH, Zukunftswerkstatt Sales Excellence 2024/© AndreyPopov / Getty Images / iStock, 2023_Antrieb/© supervisuell

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Weitere Artikel der Ausgabe 8/2020

Generation of optical-photon-and-magnon entanglement in an optomagnonics-mechanical system

Two particles in measurement-based quantum heat engine without feedback control

Mixture of Gaussians in the open quantum random walks

An index theorem for split-step quantum walks

Unified trade-off optimization of quantum Otto heat engines with squeezed thermal reservoirs

High-precision parameter estimation and the Zeno–anti-Zeno crossover in an atom–cavity-optomechanical system

Neuer Inhalt

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.