論文の概要: Probing Criticality in Quantum Spin Chains with Neural Networks

• arxiv url: http://arxiv.org/abs/2005.02104v2
• Date: Fri, 7 Aug 2020 16:51:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 14:54:04.162972
• Title: Probing Criticality in Quantum Spin Chains with Neural Networks
• Title（参考訳）: ニューラルネットワークを用いた量子スピン鎖の臨界点探索
• Authors: A Berezutskii, M Beketov, D Yudin, Z Zimbor\'as and J Biamonte
• Abstract要約: 隠れた層を持たないニューラルネットワークでさえ、磁気秩序と乱れ相の区別を効果的に訓練できることが示される。 我々の結果は、相互作用する量子多体系の幅広いクラスに拡張され、多体量子物理学へのニューラルネットワークの広範な適用性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The numerical emulation of quantum systems often requires an exponential number of degrees of freedom which translates to a computational bottleneck. Methods of machine learning have been used in adjacent fields for effective feature extraction and dimensionality reduction of high-dimensional datasets. Recent studies have revealed that neural networks are further suitable for the determination of macroscopic phases of matter and associated phase transitions as well as efficient quantum state representation. In this work, we address quantum phase transitions in quantum spin chains, namely the transverse field Ising chain and the anisotropic XY chain, and show that even neural networks with no hidden layers can be effectively trained to distinguish between magnetically ordered and disordered phases. Our neural network acts to predict the corresponding crossovers finite-size systems undergo. Our results extend to a wide class of interacting quantum many-body systems and illustrate the wide applicability of neural networks to many-body quantum physics.
• Abstract（参考訳）: 量子系の数値的なエミュレーションは、しばしば計算ボトルネックに変換される指数的な自由度を必要とする。 機械学習の手法は, 効率的な特徴抽出と高次元データセットの次元化のために, 隣接分野において用いられている。 近年の研究では、ニューラルネットワークが物質のマクロ的な相と関連する相転移の判定や効率的な量子状態表現にさらに適していることが示されている。 本研究では,量子スピン鎖,すなわち横磁場Ising鎖と異方性XY鎖の量子相転移に対処し,隠蔽層を持たないニューラルネットワークでさえ,磁場秩序と乱れ相の区別を効果的に行うことができることを示す。 私たちのニューラルネットワークは、対応するクロスオーバー有限サイズのシステムを予測するために働きます。 この結果は、相互作用する量子多体系の幅広いクラスに拡張され、多体量子物理学へのニューラルネットワークの適用性を示す。

関連論文リスト

• Enhancing the expressivity of quantum neural networks with residual connections [0.0]
  量子残差ニューラルネットワーク(QResNets)を実装する量子回路に基づくアルゴリズムを提案する。 我々の研究は、古典的残留ニューラルネットワークの完全な量子的実装の基礎を築いた。
  論文  参考訳（メタデータ） (2024-01-29T04:00:51Z)
• Distributed Quantum Neural Networks via Partitioned Features Encoding [0.0]
  量子ニューラルネットワークは、短期量子コンピューティングにおける有望な応用であると期待されている。 本稿では,複数の小回路を用いて大回路の出力を近似して予測する。 提案手法は,大規模データセットの高精度な予測だけでなく,各量子ニューラルネットワークのハードウェア要件も低減した。
  論文  参考訳（メタデータ） (2023-12-21T08:21:44Z)
• Entanglement-Assisted Quantum Networks: Mechanics, Enabling Technologies, Challenges, and Research Directions [66.27337498864556]
  本稿では,量子ネットワークの絡み合いに関する包括的調査を行う。 ネットワーク構造、作業原則、開発段階の詳細な概要を提供する。 また、アーキテクチャ設計、絡み合いに基づくネットワーク問題、標準化など、オープンな研究の方向性を強調している。
  論文  参考訳（メタデータ） (2023-07-24T02:48:22Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Quantum neural networks with multi-qubit potentials [0.0]
  量子パーセプトロンにおけるマルチキュービットポテンシャルの存在は、より効率的な情報処理タスクを可能にすることを示す。 このネットワークアーキテクチャの単純化は、接続性の問題に対処し、量子ニューラルネットワークをスケールアップする道を開く。
  論文  参考訳（メタデータ） (2021-05-06T15:30:06Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)
• Entanglement transfer, accumulation and retrieval via quantum-walk-based qubit-qudit dynamics [50.591267188664666]
  高次元システムにおける量子相関の生成と制御は、現在の量子技術の展望において大きな課題である。 本稿では,量子ウォークに基づく移動・蓄積機構により,$d$次元システムの絡み合った状態が得られるプロトコルを提案する。 特に、情報を軌道角運動量と単一光子の偏光度にエンコードするフォトニック実装について述べる。
  論文  参考訳（メタデータ） (2020-10-14T14:33:34Z)
• A Derivative-free Method for Quantum Perceptron Training in Multi-layered Neural Networks [2.962453125262748]
  量子パーセプトロンに基づく多層ニューラルネットワークのグラデーションフリー・アプローチ 我々は測定可能な演算子を用いて、マルコフプロセスと整合した方法でネットワークの状態を定義する。
  論文  参考訳（メタデータ） (2020-09-23T01:38:34Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。