論文の概要: Group Convolutional Neural Networks Improve Quantum State Accuracy
- arxiv url: http://arxiv.org/abs/2104.05085v3
- Date: Fri, 28 May 2021 21:09:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 03:49:30.696502
- Title: Group Convolutional Neural Networks Improve Quantum State Accuracy
- Title(参考訳): グループ畳み込みニューラルネットワークによる量子状態精度の向上
- Authors: Christopher Roth, Allan H. MacDonald
- Abstract要約: 特定の対称性を持つ量子状態に対して、最大表現モデルを作成する方法を示す。
我々は,グループ同変畳み込みネットワーク(G-CNN) citecohen2016groupを実装し,メモリ使用量を増やすことなく,性能改善を実現することを実証した。
- 参考スコア(独自算出の注目度): 1.52292571922932
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural networks are a promising tool for simulating quantum many body
systems. Recently, it has been shown that neural network-based models describe
quantum many body systems more accurately when they are constrained to have the
correct symmetry properties. In this paper, we show how to create maximally
expressive models for quantum states with specific symmetry properties by
drawing on literature from the machine learning community. We implement group
equivariant convolutional networks (G-CNN) \cite{cohen2016group}, and
demonstrate that performance improvements can be achieved without increasing
memory use. We show that G-CNNs achieve very good accuracy for Heisenberg
quantum spin models in both ordered and spin liquid regimes, and improve the
ground state accuracy on the triangular lattice over other variational
Monte-Carlo methods.
- Abstract(参考訳): ニューラルネットワークは、量子多体系をシミュレートするための有望なツールである。
近年、ニューラルネットワークに基づくモデルでは、正しい対称性を持つように制約された場合、より正確に量子多体系を記述することが示されている。
本稿では,機械学習コミュニティの文献に基づいて,特定の対称性特性を持つ量子状態の最大表現モデルを作成する方法について述べる。
グループ同変畳み込みネットワーク (g-cnn) \cite{cohen2016group} を実装し、メモリ使用量を増やすことなく性能改善が達成できることを実証する。
G-CNNは秩序とスピン状態の両方においてハイゼンベルク量子スピンモデルに対して極めて良好な精度を示し、他の変分モンテカルロ法よりも三角格子上の基底状態精度を向上させる。
関連論文リスト
- Deep Neural Networks as Variational Solutions for Correlated Open
Quantum Systems [0.0]
より強力なモデルで直接密度行列をパラメータ化することで、より良い変分アンザッツ関数が得られることを示す。
本稿では, 散逸的一次元逆場イジングモデルと2次元散逸的ハイゼンベルクモデルについて述べる。
論文 参考訳(メタデータ) (2024-01-25T13:41:34Z) - The role of data embedding in equivariant quantum convolutional neural
networks [2.255961793913651]
等変量子ニューラルネットワーク(EQNN)の性能に及ぼす古典量子埋め込みの影響について検討する。
等価な量子畳み込みニューラルネットワーク(QCNN)から得られた3種類の振幅埋め込みと、EQCNNの分類精度を数値的に比較する。
論文 参考訳(メタデータ) (2023-12-20T18:25:15Z) - Approximately Equivariant Quantum Neural Network for $p4m$ Group
Symmetries in Images [30.01160824817612]
本研究では、平面$p4m$対称性に基づく画像分類のための同変量子畳み込みニューラルネットワーク(EquivQCNNs)を提案する。
2次元イジングモデルの位相検出や拡張MNISTデータセットの分類など、さまざまなユースケースでテストされた結果を示す。
論文 参考訳(メタデータ) (2023-10-03T18:01:02Z) - What can we learn from quantum convolutional neural networks? [16.34646723046073]
量子データを扱うことは、隠れた特徴マップを通して物理系のパラメータを埋め込んだものと見なすことができる。
また, 適切に選択された基底状態埋め込みを持つQCNNが流体力学問題に利用できることを示す。
論文 参考訳(メタデータ) (2023-08-31T12:12:56Z) - 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) - 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) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。
QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。
木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文 参考訳(メタデータ) (2020-11-12T08:32:04Z)
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。