論文の概要: Sample-efficient learning of quantum many-body systems
- arxiv url: http://arxiv.org/abs/2004.07266v1
- Date: Wed, 15 Apr 2020 18:01:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 04:24:13.570673
- Title: Sample-efficient learning of quantum many-body systems
- Title(参考訳): 量子多体系のサンプル効率学習
- Authors: Anurag Anshu, Srinivasan Arunachalam, Tomotaka Kuwahara, Mehdi
Soleimanifar
- Abstract要約: ギブス状態から得られた量子多体系のハミルトニアンを学習する問題について検討する。
量子ハミルトン学習問題に対する最初のサンプル効率アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 17.396274240172122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of learning the Hamiltonian of a quantum many-body
system given samples from its Gibbs (thermal) state. The classical analog of
this problem, known as learning graphical models or Boltzmann machines, is a
well-studied question in machine learning and statistics. In this work, we give
the first sample-efficient algorithm for the quantum Hamiltonian learning
problem. In particular, we prove that polynomially many samples in the number
of particles (qudits) are necessary and sufficient for learning the parameters
of a spatially local Hamiltonian in l_2-norm.
Our main contribution is in establishing the strong convexity of the
log-partition function of quantum many-body systems, which along with the
maximum entropy estimation yields our sample-efficient algorithm. Classically,
the strong convexity for partition functions follows from the Markov property
of Gibbs distributions. This is, however, known to be violated in its exact
form in the quantum case. We introduce several new ideas to obtain an
unconditional result that avoids relying on the Markov property of quantum
systems, at the cost of a slightly weaker bound. In particular, we prove a
lower bound on the variance of quasi-local operators with respect to the Gibbs
state, which might be of independent interest. Our work paves the way toward a
more rigorous application of machine learning techniques to quantum many-body
problems.
- Abstract(参考訳): ギブス(熱的)状態からサンプルを得た量子多体系のハミルトニアンを学習する問題について検討する。
この問題の古典的なアナログは、グラフィカルモデルやボルツマンマシンと呼ばれるもので、機械学習と統計学においてよく研究されている問題である。
本研究では,量子ハミルトン学習問題に対する最初のサンプル効率アルゴリズムを提案する。
特に,l_2-ノルムにおける局所ハミルトニアンのパラメータを学習するには,粒子数(量子)の多項式的に多数のサンプルが必要であり十分であることを示す。
我々の主な貢献は、量子多体系の対数分割関数の強い凸性を確立することである。
古典的には、分割函数の強い凸性はギブス分布のマルコフ特性から従う。
しかし、これは量子の場合の正確な形に反することが知られている。
量子系のマルコフの性質に依存しない無条件結果を得るための新しいアイデアをいくつか導入する。
特に、ギブス状態に関して準局所作用素の分散に関する下界を証明し、これは独立興味を持つかもしれない。
我々の研究は、量子多体問題に対する機械学習技術のより厳密な応用に向けた道を開いた。
関連論文リスト
- Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳(メタデータ) (2024-09-05T07:18:09Z) - Quantum Tensor Product Decomposition from Choi State Tomography [0.0]
単位系のテンソル積分解を計算するために,小さなサブシステムと大きなサブシステム(環境)に不均衡なパーティションを分割するアルゴリズムを提案する。
この量子アルゴリズムは、演算子非局所性、サブシステム上での効果的なオープン量子力学、低ランク近似の発見、量子回路ユニタリの低深度コンパイルに使用できる。
論文 参考訳(メタデータ) (2024-02-07T16:36:47Z) - Expanding Hardware-Efficiently Manipulable Hilbert Space via Hamiltonian
Embedding [9.219297088819634]
多くの有望な量子アプリケーションは指数的に大きなスパースハミルトニアンの効率的な量子シミュレーションに依存する。
本稿では,ハミルトニアン埋め込みという手法を提案する。
このテクニックは、より大きくより構造化された量子系の進化にそれを埋め込むことによって、望ましいスパース・ハミルトンをシミュレートする。
論文 参考訳(メタデータ) (2024-01-16T18:19:29Z) - Hamiltonian variational ansatz without barren plateaus [0.0]
変分量子アルゴリズムは、短期量子コンピュータの最も有望な応用の1つである。
その大きな可能性にもかかわらず、数十量子ビットを超える変分量子アルゴリズムの有用性は疑問視されている。
論文 参考訳(メタデータ) (2023-02-16T19:01:26Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳(メタデータ) (2022-12-21T19:00:04Z) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳(メタデータ) (2022-05-10T08:05:59Z) - Entanglement Forging with generative neural network models [0.0]
ハイブリッド量子-古典的変分アンゼ」は、量子リソースオーバーヘッドを下げるために絡み合いを鍛えることができることを示す。
この方法は観測者の期待値の固定精度を達成するのに必要な測定値の数で効率的である。
論文 参考訳(メタデータ) (2022-05-02T14:29:17Z) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳(メタデータ) (2022-04-26T09:52:02Z) - Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。
計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。
我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文 参考訳(メタデータ) (2022-02-17T19:00:09Z) - Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。
我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
論文 参考訳(メタデータ) (2021-03-31T02:41:36Z) - A Hybrid Quantum-Classical Hamiltonian Learning Algorithm [6.90132007891849]
ハミルトン学習は、量子デバイスと量子シミュレータの認定に不可欠である。
本研究では,ハミルトニアン作用素の係数を求めるために,ハイブリッド量子古典ハミルトン学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-01T15:15:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。