論文の概要: Solving Quantum Master Equations with Deep Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2008.05488v1
• Date: Wed, 12 Aug 2020 18:00:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-06 11:27:08.082958
• Title: Solving Quantum Master Equations with Deep Quantum Neural Networks
• Title（参考訳）: ディープ量子ニューラルネットワークによる量子マスター方程式の解法
• Authors: Zidu Liu, L.-M. Duan, Dong-Ling Deng
• Abstract要約: 我々は、オープンな量子多体系の混合状態を表現するために、普遍的な量子計算が可能なディープ量子フィードフォワードニューラルネットワークを使用する。 量子ネットワークの特別な構造を所有するこのアプローチは、バレン高原の欠如など、多くの注目すべき特徴を享受している。
• 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: Deep quantum neural networks may provide a promising way to achieve quantum learning advantage with noisy intermediate scale quantum devices. Here, we use deep quantum feedforward neural networks capable of universal quantum computation to represent the mixed states for open quantum many-body systems and introduce a variational method with quantum derivatives to solve the master equation for dynamics and stationary states. Owning to the special structure of the quantum networks, this approach enjoys a number of notable features, including the absence of barren plateaus, efficient quantum analogue of the backpropagation algorithm, resource-saving reuse of hidden qubits, general applicability independent of dimensionality and entanglement properties, as well as the convenient implementation of symmetries. As proof-of-principle demonstrations, we apply this approach to both one-dimensional transverse field Ising and two-dimensional $J_1-J_2$ models with dissipation, and show that it can efficiently capture their dynamics and stationary states with a desired accuracy.
• Abstract（参考訳）: 深層量子ニューラルネットワークは、ノイズの多い中間スケール量子デバイスで量子学習の利点を実現する有望な方法を提供するかもしれない。 ここでは,オープン量子多体系の混合状態を表現するために,普遍量子計算が可能なディープ量子フィードフォワードニューラルネットワークを用い,量子微分を用いた変分法を導入し,動的および定常状態のマスター方程式を解く。 量子ネットワークの特別な構造を所有するこのアプローチは、バレンプラトーの欠如、バックプロパゲーションアルゴリズムの効率的な量子アナログ、隠れた量子ビットの資源節約再利用、次元性や絡み合いの性質に依存しない一般応用性、対称性の便利な実装など、多くの注目すべき特徴を享受している。 原理実証として, 1次元逆場 Ising と 2次元$J_1-J_2$ モデルの両方に適用し, 所望の精度でそれらの動的および定常状態を効率的に捉えることができることを示す。

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)
• Tensor-network-assisted variational quantum algorithm [3.5995214208007944]
  本稿では,テンソルネットワークを用いた変分量子アルゴリズムのフレームワークを提案する。 提案手法は浅量子回路を用いた従来の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-20T16:59:54Z)
• 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)
• Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
  大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。 解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
  論文  参考訳（メタデータ） (2021-08-30T23:50:05Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• 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)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)
• 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)
• Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation [5.668795025564699]
  オープン量子システムのダイナミクスに対処するためのアプローチを提案する。 自己回帰変換ニューラルネットワークを用いて量子状態をコンパクトに表現する。 効率的なアルゴリズムは、リウヴィリア超作用素の力学をシミュレートするために開発された。
  論文  参考訳（メタデータ） (2020-09-11T18:00:00Z)
• 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。