論文の概要: Deep neural network predicts parameters of quantum many-body Hamiltonians by learning visualized wave-functions

• arxiv url: http://arxiv.org/abs/2012.03019v1
• Date: Sat, 5 Dec 2020 12:22:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 11:57:55.688360
• Title: Deep neural network predicts parameters of quantum many-body Hamiltonians by learning visualized wave-functions
• Title（参考訳）: ニューラルネットワークによる可視化波動関数の学習による量子多体ハミルトニアンのパラメータ予測
• Authors: Xinran Ma, Z. C. Tu, Shi-Ju Ran
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は相互作用するハミルトンの物理的パラメータを予測することができることを示す。 地上状態を画像として視覚化するQubism Mapと、対象の物理パラメータに画像をマッピングするCNNの2つの主要部分からなるQubismNetを提案する。
• 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: In the past decades, methods to solve the ground state given a quantum many-body Hamiltonian have been well established. In this work, we consider an inverse problem and demonstrate that convolutional neural network (CNN) can predict the physical parameters of interacting Hamiltonians, such as coupling strengths and magnetic fields, providing the quantum many-body wave-functions as the ground states. We propose QubismNet that consists of two main parts: the Qubism map that visualizes the ground states (or the purified reduced density matrices) as images, and a CNN that maps the images to the target physical parameters. QubismNet exhibits impressive powers of learning and generalization on several quantum spin models. While the training samples are restricted to the states from certain ranges of the parameters, QubismNet can accurately predict the parameters of the states beyond such training regions. For instance, our results show that QubismNet can predict the magnetic fields near the critical point by learning from the states away from the critical vicinity. Our work provides a data-driven way to infer the Hamiltonians that give the designed ground states, and therefore would benefit the existing and future generations of quantum technologies such as Hamiltonian-based quantum simulations.
• Abstract（参考訳）: 過去数十年間、量子多体ハミルトニアンを与えられた基底状態を解決する方法が確立されてきた。 本研究では,畳み込みニューラルネットワーク(CNN)が結合強度や磁場などの相互作用するハミルトニアンの物理パラメータを予測し,量子多体波動関数を基底状態とすることができることを示す。 画像として基底状態(あるいは純化密度行列)を可視化するQubism Mapと、対象の物理パラメータに画像をマッピングするCNNの2つの主要な部分からなるQubismNetを提案する。 QubismNetは、いくつかの量子スピンモデルで学習と一般化の印象的な能力を示す。 トレーニングサンプルはパラメータの特定の範囲から状態に制限されるが、QubismNetはそのようなトレーニング領域を超えた状態のパラメータを正確に予測することができる。 例えば, qubismnetは臨界点に近い状態から学習することで臨界点近傍の磁場を予測できることを示した。 私たちの研究は、設計された基底状態を与えるハミルトニアンを推論するためのデータ駆動型手法を提供し、ハミルトニアンベースの量子シミュレーションのような、現在および将来の量子技術に利益をもたらす。

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)
• Dual-Capability Machine Learning Models for Quantum Hamiltonian Parameter Estimation and Dynamics Prediction [2.142387003055715]
  本研究では,2つの機能を持つ機械学習モデルを提案する。 観測された局所観測値の変化から時間依存のハミルトンパラメータを推定することができる。 これはハミルトンのパラメータに基づいてこれらの可観測物の進化を予測することができる。
  論文  参考訳（メタデータ） (2024-05-22T12:21:57Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• 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)
• 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)
• Measuring Quantum Entanglement from Local Information by Machine Learning [10.161394383081145]
  絡み合いは量子技術の発展における鍵となる性質である。 本稿では,局所ハミルトニアンの平衡状態と非平衡状態の絡み合いを測定するためのニューラルネットワーク支援プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-09-18T08:15:49Z)
• An Empirical Study of Quantum Dynamics as a Ground State Problem with Neural Quantum States [0.0]
  ニューラルネットワークは、ニューラルネットワークによってパラメータ化される変動波動関数である。 多体物理学の文脈では、変分モンテカルロや変分波動関数としてのニューラル量子状態のような手法が近似に成功している。 しかしながら、ニューラルネットワークアーキテクチャを提案することの難しさは、その表現性とトレーニング容易性を探究することとともに、ニューラルネットワークをニューラルネットワーク状態として利用することにまで及んでいる。
  論文  参考訳（メタデータ） (2022-06-18T16:42:39Z)
• Learning a compass spin model with neural network quantum states [0.0]
  フラストレーション量子スピンハミルトニアンの基底状態を学ぶための制限ボルツマンマシンの能力を示す。 機械学習のフラストレーション量子マグネットの課題に対処するために、いくつかの戦略が概説されている。
  論文  参考訳（メタデータ） (2021-11-08T02:40:24Z)
• 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)
• Learning Quantum Hamiltonians from Single-qubit Measurements [5.609584942407068]
  本研究では,1量子ビット計測の時間的記録から,対象ハミルトニアンのパラメータを学習するための繰り返しニューラルネットワークを提案する。 これは時間に依存しないハミルトン群と時間に依存しないハミルトン群の両方に適用できる。
  論文  参考訳（メタデータ） (2020-12-23T07:15:20Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)

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。