論文の概要: U(1) symmetric recurrent neural networks for quantum state reconstruction

• arxiv url: http://arxiv.org/abs/2010.14514v1
• Date: Tue, 27 Oct 2020 18:00:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 08:32:45.021289
• Title: U(1) symmetric recurrent neural networks for quantum state reconstruction
• Title（参考訳）: u(1) 量子状態再構成のための対称リカレントニューラルネットワーク
• Authors: Stewart Morawetz, Isaac J.S. De Vlugt, Juan Carrasquilla, Roger G. Melko
• Abstract要約: 我々は、スピン1/2XYモデルの基底状態を再構成するために、リカレントニューラルネットワーク(RNN)を用いる。 RNNにU(1)対称性を付与すると学習効率が大幅に向上することを示す。
• 参考スコア（独自算出の注目度）: 0.4014524824655105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models are a promising technology for the enhancement of quantum simulators. These machine learning methods are capable of reconstructing a quantum state from experimental measurements, and can aid in the calculation of physical observables. In this paper, we employ a recurrent neural network (RNN) to reconstruct the ground state of the spin-1/2 XY model, a prototypical Hamiltonian explored in trapped ion simulators. We explore its performance after enforcing a U(1) symmetry, which was recently shown by Hibat-Allah et al. [Phys. Rev. Research 2, 023358 (2020)] to preserve the autoregressive nature of the RNN. By studying the reconstruction of the XY model ground state from projective measurement data, we show that imposing U(1) symmetry on the RNN significantly increases the efficiency of learning, particularly in the early epoch regime. We argue that this performance increase may result from the tendency of the enforced symmetry to alleviate vanishing and exploding gradients, which helps stabilize the training process. Thus, symmetry-enforced RNNs may be particularly useful for applications of quantum simulators where a rapid feedback between optimization and circuit preparation is necessary, such as in hybrid classical-quantum algorithms.
• Abstract（参考訳）: 生成モデルは量子シミュレータの強化のための有望な技術である。 これらの機械学習手法は、実験的な測定から量子状態を再構築することができ、物理観測値の計算に役立てることができる。 本稿では、捕捉イオンシミュレーターで探索された原型ハミルトニアンであるスピン-1/2XYモデルの基底状態を再構成するために、リカレントニューラルネットワーク(RNN)を用いる。 我々は最近Hibat-Allahらによって示されたU(1)対称性を強制した後、その性能を探求する。 [Phys. Rev. Research 2,023358(2020)]RNNの自己回帰性を維持する。 投影計測データからxyモデル基底状態の再構成について検討した結果,特に初期エポック法において,rnnにu(1)対称性を課すことで学習効率が著しく向上することが示された。 この性能向上は、トレーニングプロセスの安定化に役立つ、消滅と爆発の勾配を緩和する強制対称性の傾向から生じる可能性がある、と我々は主張する。 したがって、対称性強化RNNは、ハイブリッド古典量子アルゴリズムのような最適化と回路準備の間の迅速なフィードバックが必要な量子シミュレータの応用に特に有用である。

関連論文リスト

• Scalable Mechanistic Neural Networks [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• 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)
• Symplectically Integrated Symbolic Regression of Hamiltonian Dynamical Systems [11.39873640706974]
  シンプレクティック統合シンボリック回帰(SISR)は、データから物理支配方程式を学ぶための新しいテクニックである。 SISRは多層LSTM-RNNを用いて、確率的にハミルトン記号表現をサンプリングする。
  論文  参考訳（メタデータ） (2022-09-04T03:17:40Z)
• Symmetric Pruning in Quantum Neural Networks [111.438286016951]
  量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。 ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。 本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
  論文  参考訳（メタデータ） (2022-08-30T08:17:55Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Automatic Evolution of Machine-Learning based Quantum Dynamics with Uncertainty Analysis [4.629634111796585]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)モデルは、長期量子力学をシミュレートするために用いられる。 この研究は、オープン量子システムの動的進化をシミュレートする効果的な機械学習アプローチを構築する。
  論文  参考訳（メタデータ） (2022-05-07T08:53:55Z)
• Fast and Sample-Efficient Interatomic Neural Network Potentials for Molecules and Materials Based on Gaussian Moments [3.1829446824051195]
  従来のGM-NNモデルに基づいて改良されたNNアーキテクチャを提案する。 改善された方法論は、アクティブラーニングやラーニング・オン・ザ・フライ(Learning-on-the-fly)といったトレーニング・ヘビーの前提条件である。
  論文  参考訳（メタデータ） (2021-09-20T14:23:34Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• State preparation and measurement in a quantum simulation of the O(3) sigma model [65.01359242860215]
  我々は,非線型O(3)シグマモデルの固定点が,格子サイトあたり2キュービットしか持たないスピンモデルの量子相転移付近で再現可能であることを示す。 本稿では,弱い結合状態と量子臨界状態の両方において,断熱的基底状態の準備が複雑になる結果を得るためにトロッター法を適用した。 非単位ランダム化シミュレーション法に基づく量子アルゴリズムの提案と解析を行う。
  論文  参考訳（メタデータ） (2020-06-28T23:44:12Z)

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。