Large-Scale Tree-Type Photonic Cluster State Generation with Recurrent Quantum Photonic Neural Networks
Notice bibliographique
Résumé
Large, multi-dimensional clusters of entangled photons are among the most powerful resources for emerging quantum technologies, as they are predicted to enable global quantum networks or universal quantum computation. Here, we propose an entirely new architecture and protocol for their generation based on recurrent quantum photonic neural networks (QPNNs) and focusing on tree-type cluster states. Unlike other approaches, QPNN-based generators are not limited by the the coherence of quantum emitters or by probabilistic multi-photon operations, enabling arbitrary scaling only limited by loss (which, unavoidably, also affects all other methods). We show that a single QPNN can learn to perform all of the many different operations needed to create a cluster state, from photon routing to entanglement generation, all with near-perfect fidelity and at loss-limited rates, even when it is created from imperfect photonic components. Although these losses ultimately place a limit on the size of the cluster states, we show that state-of-the-art photonics should already allow for clusters of 60 photons, which can grow into the 100s with modest improvements to losses. Finally, we present an analysis of a one-way quantum repeater based on these states, determining the requisite platform quality for a global quantum network and highlighting the potential of the QPNN to play a vital role in high-impact quantum technologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».