論文の概要: Tomography of time-dependent quantum spin networks with machine learning
- arxiv url: http://arxiv.org/abs/2103.08645v1
- Date: Mon, 15 Mar 2021 18:38:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 13:20:21.618073
- Title: Tomography of time-dependent quantum spin networks with machine learning
- Title（参考訳）: 機械学習による時間依存量子スピンネットワークのトモグラフィ
- Authors: Chen-Di Han, Bryan Glaz, Mulugeta Haile, and Ying-Cheng Lai
- Abstract要約: We developed a Physics-enhanced machine learning framework that core is Heisenberg neural network。
特に,スピン変数の量子進化を追従するためにニューラルネットワークを"強制"するハイゼンベルク方程式に基づく深層学習アルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Interacting spin networks are fundamental to quantum computing. Data-based
tomography of time-independent spin networks has been achieved, but an open
challenge is to ascertain the structures of time-dependent spin networks using
time series measurements taken locally from a small subset of the spins.
Physically, the dynamical evolution of a spin network under time-dependent
driving or perturbation is described by the Heisenberg equation of motion.
Motivated by this basic fact, we articulate a physics-enhanced machine learning
framework whose core is Heisenberg neural networks. In particular, we develop a
deep learning algorithm according to some physics motivated loss function based
on the Heisenberg equation, which "forces" the neural network to follow the
quantum evolution of the spin variables. We demonstrate that, from local
measurements, not only the local Hamiltonian can be recovered but the
Hamiltonian reflecting the interacting structure of the whole system can also
be faithfully reconstructed. We test our Heisenberg neural machine on spin
networks of a variety of structures. In the extreme case where measurements are
taken from only one spin, the achieved tomography fidelity values can reach
about 90%. The developed machine learning framework is applicable to any
time-dependent systems whose quantum dynamical evolution is governed by the
Heisenberg equation of motion.
- Abstract（参考訳）: 相互作用するスピンネットワークは量子コンピューティングの基本である。
データに基づく時間非依存スピンネットワークのトモグラフィーが達成されているが、スピンの小さな部分集合から局所的に得られる時系列測定を用いて、時間依存スピンネットワークの構造を確認することがオープンな課題である。
物理的には、時間依存駆動または摂動下でのスピンネットワークの動的進化はハイゼンベルク運動方程式によって記述される。
この基本的な事実に動機づけられ、コアがハイゼンベルクニューラルネットワークである物理学で強化された機械学習フレームワークを特徴付ける。
特に, スピン変数の量子進化に追従するようにニューラルネットワークを「強制」するハイゼンベルク方程式に基づく, いくつかの物理動機損失関数に基づく深層学習アルゴリズムを開発した。
局所的な測定から,局所的なハミルトニアンを回収できるだけでなく,系全体の相互作用構造を反映したハミルトニアンも忠実に再構成できることを示した。
我々は、様々な構造のスピンネットワーク上で、ハイゼンベルクニューラルマシンをテストする。
1本のスピンのみから測定を行う極端な場合、達成されたトモグラフィーの忠実度値はおよそ90%に達する。
開発された機械学習フレームワークは、量子力学進化がハイゼンベルク運動方程式によって制御される任意の時間依存システムに適用できる。
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) - Exploring quantum localization with machine learning [39.58317527488534]
本稿では、その局所化の観点から、波動関数を分類するための効率的なニューラルネットワーク(NN)アーキテクチャを提案する。
提案手法は, 量子位相空間のパラメトリゼーションにより, 改良畳み込みモデルのパターン認識機能と, 独自の「量子」NNへと導かれる。
論文 参考訳（メタデータ） (2024-06-01T08:50:26Z) - Reaction dynamics with qubit-efficient momentum-space mapping [42.408991654684876]
線形応答によって支配される異なる反応を記述することに関連する応答関数の量子アルゴリズムについて検討する。
我々は、運動量空間基底状態を用いて効率的に実行できる格子上の量子ビット効率の写像を考える。
論文 参考訳（メタデータ） (2024-03-30T00:21:46Z) - Deep learning of many-body observables and quantum information scrambling [0.0]
物理オブザーバブルの力学を学習する際のデータ駆動型ディープニューラルネットワークの能力が、量子情報のスクランブルとどのように相関するかを考察する。
ニューラルネットワークを用いて、モデルのパラメータからランダム量子回路における可観測物の進化へのマッピングを求める。
特定のタイプのリカレントニューラルネットワークは、局所的およびスクランブルされた状態の両方でトレーニングされたシステムサイズと時間ウィンドウ内での予測を一般化する上で非常に強力であることを示す。
論文 参考訳（メタデータ） (2023-02-09T13:14:10Z) - 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) - Dynamics with autoregressive neural quantum states: application to
critical quench dynamics [41.94295877935867]
本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。
二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
論文 参考訳（メタデータ） (2022-09-07T15:50:00Z) - Spreading of a local excitation in a Quantum Hierarchical Model [62.997667081978825]
常磁性相における量子ダイソン階層モデルのダイナミクスについて検討する。
地磁気場状態の局所励起による初期状態を考慮する。
局所化機構が発見され、励起は任意の時間で初期位置に近づいたままである。
論文 参考訳（メタデータ） (2022-07-14T10:05:20Z) - 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) - Dynamic quantum-enhanced sensing without entanglement in central spin
systems [1.9888283697653608]
中心スピンが周囲のスピンと相互作用する量子多スピン系を提案する。
プローブ状態が製品状態である必要がある間、ハイゼンベルクのスケーリングに到達できることが分かる。
この結果から,現実的な量子中心スピン系において,動的量子強調センシング方式が実現可能であることが示唆された。
論文 参考訳（メタデータ） (2022-04-30T15:24:21Z) - Analysis of Neural Network Predictions for Entanglement Self-Catalysis [0.0]
ニューラルネットワークの異なるモデルが絡み合いの検出と自己触媒の仕方を学ぶことができるかどうかを検討する。
また、学習機械が別の関連する現象を検知できるかどうかについても検討する。
論文 参考訳（メタデータ） (2021-12-29T14:18:45Z) - Neural networks in quantum many-body physics: a hands-on tutorial [0.0]
本稿では、凝縮物質物理学および量子情報における機械学習の応用について概説する。
本稿では,畳み込み型ニューラルネットワークを用いた教師付き機械学習を用いて相転移を学習し,制限されたボルツマンマシンによる教師なし学習を用いて量子トモグラフィーを行い,多体ハミルトニアンの基底状態を近似するための繰り返しニューラルネットを用いた変分モンテカルロを提案する。
論文 参考訳（メタデータ） (2021-01-26T22:04:29Z)
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。