論文の概要: Deep Learning of Quantum Many-Body Dynamics via Random Driving
- arxiv url: http://arxiv.org/abs/2105.00352v4
- Date: Wed, 16 Nov 2022 10:09:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-01 21:42:20.183727
- Title: Deep Learning of Quantum Many-Body Dynamics via Random Driving
- Title(参考訳): ランダム駆動による量子多体ダイナミクスの深層学習
- Authors: Naeimeh Mohseni, Thomas F\"osel, Lingzhen Guo, Carlos
Navarrete-Benlloch, and Florian Marquardt
- Abstract要約: 量子多体系の力学を予測するための深層学習の力を示す。
ネットワークがトレーニングされたネットワークの3倍の速さで動的に外挿できることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural networks have emerged as a powerful way to approach many practical
problems in quantum physics. In this work, we illustrate the power of deep
learning to predict the dynamics of a quantum many-body system, where the
training is \textit{based purely on monitoring expectation values of
observables under random driving}. The trained recurrent network is able to
produce accurate predictions for driving trajectories entirely different than
those observed during training. As a proof of principle, here we train the
network on numerical data generated from spin models, showing that it can learn
the dynamics of observables of interest without needing information about the
full quantum state. This allows our approach to be applied eventually to actual
experimental data generated from a quantum many-body system that might be open,
noisy, or disordered, without any need for a detailed understanding of the
system. This scheme provides considerable speedup for rapid explorations and
pulse optimization. Remarkably, we show the network is able to extrapolate the
dynamics to times longer than those it has been trained on, as well as to the
infinite-system-size limit.
- Abstract(参考訳): ニューラルネットワークは、量子物理学における多くの実践的な問題にアプローチするための強力な方法として登場した。
本稿では,量子多体系のダイナミクスを予測するための深層学習のパワーについて述べる。
訓練されたリカレントネットワークは、訓練中に観測されたものとは全く異なる運転軌跡の正確な予測を生成することができる。
原理の証明として、スピンモデルから生成された数値データに基づいてネットワークをトレーニングし、完全な量子状態に関する情報を必要とせずに観測可能な関心のダイナミクスを学習できることを示す。
これにより、量子多体系から生成された実際の実験データに対して、システムの詳細な理解を必要とせずに、最終的に我々のアプローチを適用することができる。
この方式は、迅速な探索とパルス最適化に相当なスピードアップを提供する。
驚くべきことに、ネットワークは、トレーニングされたものよりも、無限のシステムサイズの限界まで、ダイナミクスを推定できる。
関連論文リスト
- Detecting quantum speedup of random walks with machine learning [8.151729519194182]
グラフ上のランダムウォークにおける量子スピードアップを検出するために,機械学習技術を用いる。
その結果,トレーニング用データセットを慎重に構築することで,ニューラルネットワークの性能が向上することが示唆された。
分類精度がさらに向上すれば、これらのニューラルネットワークから量子優位性に関する貴重な洞察を得ることができる。
論文 参考訳(メタデータ) (2023-09-05T13:19:47Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳(メタデータ) (2023-08-22T09:11:53Z) - Speed Limits for Deep Learning [67.69149326107103]
熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。
線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。
NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
論文 参考訳(メタデータ) (2023-07-27T06:59:46Z) - 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) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。
計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。
我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文 参考訳(メタデータ) (2022-02-17T19:00:09Z) - Flexible learning of quantum states with generative query neural
networks [4.540894342435848]
複数の量子状態にまたがる学習は、生成的クエリニューラルネットワークによって達成できることを示す。
我々のネットワークは、古典的にシミュレートされたデータでオフラインでトレーニングでき、後に未知の量子状態を実際の実験データから特徴づけるのに使うことができる。
論文 参考訳(メタデータ) (2022-02-14T15:48:27Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳(メタデータ) (2021-07-19T23:41:03Z) - Quantum Self-Supervised Learning [22.953284192004034]
対照的自己監督学習のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
ibmq_paris量子コンピュータ上の見えない画像を分類するために、最良の量子モデルを適用します。
論文 参考訳(メタデータ) (2021-03-26T18:00:00Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳(メタデータ) (2020-01-15T18:36:53Z)
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。