論文の概要: Learning Quantum Hamiltonians from Single-qubit Measurements

• arxiv url: http://arxiv.org/abs/2012.12520v1
• Date: Wed, 23 Dec 2020 07:15:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 19:45:52.567214
• Title: Learning Quantum Hamiltonians from Single-qubit Measurements
• Title（参考訳）: 単一量子ビット計測による量子ハミルトニアンの学習
• Authors: Liangyu Che, Chao Wei, Yulei Huang, Dafa Zhao, Shunzhong Xue, Xinfang Nie, Jun Li, Dawei Lu, and Tao Xin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.609584942407068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is natural to measure the observables from the Hamiltonian-based quantum dynamics, and its inverse process that Hamiltonians are estimated from the measured data also is a vital topic. In this work, we propose a recurrent neural network to learn the parameters of the target Hamiltonians from the temporal records of single-qubit measurements. The method does not require the assumption of ground states and only measures single-qubit observables. It is applicable on both time-independent and time-dependent Hamiltonians and can simultaneously capture the magnitude and sign of Hamiltonian parameters. Taking quantum Ising Hamiltonians with the nearest-neighbor interactions as examples, we trained our recurrent neural networks to learn the Hamiltonian parameters with high accuracy, including the magnetic fields and coupling values. The numerical study also shows that our method has good robustness against the measurement noise and decoherence effect. Therefore, it has widespread applications in estimating the parameters of quantum devices and characterizing the Hamiltonian-based quantum dynamics.
• Abstract（参考訳）: ハミルトニアンに基づく量子力学から観測可能なものを測定することは自然であり、ハミルトニアンが測定データから推定される逆過程もまた重要なトピックである。 本研究では,単一量子ビット計測の時間的記録からターゲットハミルトニアンのパラメータを学習するための再帰的ニューラルネットワークを提案する。 この方法は基底状態の仮定を必要とせず、単一量子オブザーバブルのみを測る。 時間非依存と時間依存の両方に応用でき、ハミルトンパラメータの大きさと符号を同時に捉えることができる。 量子イジングハミルトニアンを最寄り-neighbor相互作用の例として、磁場や結合値を含む高い精度でハミルトニアンパラメータを学習するために、リカレントニューラルネットワークを訓練した。 また, 本手法は, 測定ノイズやデコヒーレンス効果に対するロバスト性も良好であることを示す。 したがって、量子デバイスのパラメータを推定し、ハミルトニアンに基づく量子力学の特徴付けに広く応用されている。

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)
• Coherence generation with Hamiltonians [44.99833362998488]
  我々は、ユニタリ進化を通して量子コヒーレンスを生成する方法を探究する。 この量は、ハミルトニアンによって達成できるコヒーレンスの最大微分として定義される。 我々は、ハミルトニアンによって誘導される最大のコヒーレンス微分につながる量子状態を特定する。
  論文  参考訳（メタデータ） (2024-02-27T15:06:40Z)
• Exactly solvable Hamiltonian fragments obtained from a direct sum of Lie algebras [0.0]
  厳密に解けるハミルトニアンは量子コンピュータを用いた量子多体系の研究に有用である。 我々は、これまでハミルトン測度問題に対処すると考えられていたよりも、正確に解ける量子ハミルトニアンのより一般的なクラスを適用する。
  論文  参考訳（メタデータ） (2024-02-14T18:22:45Z)
• Hamiltonian learning from time dynamics using variational algorithms [3.3269356210613656]
  量子系のハミルトニアンはシュロディンガー方程式を通じて系の力学を支配している。 本稿では,時系列データセットを構成するランダム状態の可測値を用いて,ハミルトニアンをパウリ基底で再構成する。 本稿では, XX, ZZ結合を含むハミルトニアンについて, 横場イジング・ハミルトニアンとともに, SU(3) 群の生成元からなるハミルトニアンを学習するための解析的手法を提案する。
  論文  参考訳（メタデータ） (2022-12-28T05:22:57Z)
• 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)
• Robust and Efficient Hamiltonian Learning [2.121963121603413]
  軽度の仮定に基づいて制限を回避できる頑健で効率的なハミルトン学習法を提案する。 提案手法は,短時間のダイナミクスと局所演算のみを用いて,パウリベースでスパースなハミルトニアンを効率的に学習することができる。 ランダムな相互作用強度と分子ハミルトニアンを持つ横場イジング・ハミルトニアンのスケーリングと推定精度を数値的に検証する。
  論文  参考訳（メタデータ） (2022-01-01T13:48:15Z)
• Finite resolution ancilla-assisted measurements of quantum work distributions [77.34726150561087]
  我々は、時間依存ハミルトニアンによって駆動される量子システム上での作業を測定するアンシラ支援プロトコルを考える。 我々は、ジャジンスキーの等式やクルックスの関係のようなゆらぎ関係の補正を見つけ、異なる時間で通勤し、通勤しない系のハミルトニアンを考える。
  論文  参考訳（メタデータ） (2021-11-30T15:08:25Z)
• Optimal short-time measurements for Hamiltonian learning [0.0]
  短時間の力学に基づく効率的な測定手法を提案する。 再現にはシステムサイズの独立な実験ショット数が必要であることを実証する。 通勤可観測物の群化とハミルトン対称性の使用により、再建の精度が向上する。
  論文  参考訳（メタデータ） (2021-08-19T17:48:48Z)
• Algebraic Compression of Quantum Circuits for Hamiltonian Evolution [52.77024349608834]
  時間依存ハミルトニアンの下でのユニタリ進化は、量子ハードウェアにおけるシミュレーションの重要な構成要素である。 本稿では、トロッターステップを1ブロックの量子ゲートに圧縮するアルゴリズムを提案する。 この結果、ハミルトニアンのある種のクラスに対する固定深度時間進化がもたらされる。
  論文  参考訳（メタデータ） (2021-08-06T19:38:01Z)
• Deep neural network predicts parameters of quantum many-body Hamiltonians by learning visualized wave-functions [0.0]
  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。
  論文  参考訳（メタデータ） (2020-12-05T12:22:12Z)

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。