論文の概要: Predicting Quantum Potentials by Deep Neural Network and Metropolis
Sampling
- arxiv url: http://arxiv.org/abs/2106.03126v1
- Date: Sun, 6 Jun 2021 14:03:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 17:23:40.581744
- Title: Predicting Quantum Potentials by Deep Neural Network and Metropolis
Sampling
- Title(参考訳): ディープニューラルネットワークとメトロポリスサンプリングによる量子ポテンシャルの予測
- Authors: Rui Hong, Peng-Fei Zhou, Bin Xi, Jie Hu, An-Chun Ji and Shi-Ju Ran
- Abstract要約: そこで我々は,メトロポリスサンプリングとディープニューラルネットワークを組み合わせることで,固有状態を与えるシュロディンガー方程式のポテンシャルを解くことを提案する。
損失関数は、その正確な評価のために、最適化にエネルギーを明示的に巻き込むために提案される。
MPNNは、シュロディンガー方程式を満たす可能性だけでなく、固有エネルギーも予測する上で優れた精度と安定性を示す。
- 参考スコア(独自算出の注目度): 4.924802410009697
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The hybridizations of machine learning and quantum physics have caused
essential impacts to the methodology in both fields. Inspired by quantum
potential neural network, we here propose to solve the potential in the
Schrodinger equation provided the eigenstate, by combining Metropolis sampling
with deep neural network, which we dub as Metropolis potential neural network
(MPNN). A loss function is proposed to explicitly involve the energy in the
optimization for its accurate evaluation. Benchmarking on the harmonic
oscillator and hydrogen atom, MPNN shows excellent accuracy and stability on
predicting not just the potential to satisfy the Schrodinger equation, but also
the eigen-energy. Our proposal could be potentially applied to the ab-initio
simulations, and to inversely solving other partial differential equations in
physics and beyond.
- Abstract(参考訳): 機械学習と量子物理学のハイブリッド化は、両方の分野において方法論に本質的な影響をもたらした。
本稿では, 量子ポテンシャルニューラルネットワークに着想を得て, 固有状態のシュロディンガー方程式のポテンシャルを, メトロポリスサンプリングとディープニューラルネットワークを組み合わせることで解くことを提案する。
損失関数は、その正確な評価のために最適化にエネルギーを明示的に関与させる。
調和振動子と水素原子をベンチマークすると、MPNNはシュロディンガー方程式を満たすポテンシャルだけでなく固有エネルギーも予測する上で優れた精度と安定性を示す。
我々の提案は、ab-initioシミュレーションに応用でき、逆微分方程式を物理学以降で解くことができる。
関連論文リスト
- Physics-informed neural networks viewpoint for solving the Dyson-Schwinger equations of quantum electrodynamics [0.0]
量子電磁力学の基本的なダイソン=シュウィンガー積分方程式を解くために、物理インフォームニューラルネットワークを用いる。
提案手法では, フェミオン波動関数の正規化, 動的質量関数, 光子プロパゲータをニューラルネットワークで近似する。
論文 参考訳(メタデータ) (2024-11-04T15:36:17Z) - 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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳(メタデータ) (2024-09-05T07:18:09Z) - Demonstration of a variational quantum eigensolver with a solid-state spin system under ambient conditions [15.044543674753308]
量子シミュレータは、物理系の量子的性質を利用して別の物理系を研究する能力を提供する。
変分量子固有解法アルゴリズムは分子電子構造の研究に特に有望な応用である。
スピンベースの固体量子ビットは、長いデコヒーレンス時間と高忠実度量子ゲートの利点がある。
論文 参考訳(メタデータ) (2024-07-23T09:17:06Z) - Observation of a non-Hermitian supersonic mode [6.846670002217106]
非エルミート系における動的・平衡物理学の資源効率シミュレーションのための変分量子回路のパワーを実証する。
フェミオン系に対する変分量子コンパイル方式を用いて,ゲート数を削減し,キュービットを節約し,ポストセレクションの必要性を排除した。
我々は、ある初期状態からの$Theta(log(n))$時間に対する単一量子ビット非エルミート力学のシミュレートが量子コンピュータ上で指数関数的に困難であることを示す分析例を示す。
論文 参考訳(メタデータ) (2024-06-21T18:00:06Z) - Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。
耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。
距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
論文 参考訳(メタデータ) (2024-02-22T16:33:48Z) - Unsupervised Random Quantum Networks for PDEs [0.0]
PINNは、微分演算子と関連する境界条件を満たすように訓練されたディープニューラルネットワークの助けを借りて、PDEの解を近似する。
我々はこのアイデアを量子コンピューティング領域で再考し、パラメータ化されたランダム量子回路を試行的な解として用いた。
ランダムな量子ネットワークは、従来の量子ネットワークやランダムな古典的ネットワークよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-12-21T10:25:52Z) - 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) - 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) - Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation [5.668795025564699]
オープン量子システムのダイナミクスに対処するためのアプローチを提案する。
自己回帰変換ニューラルネットワークを用いて量子状態をコンパクトに表現する。
効率的なアルゴリズムは、リウヴィリア超作用素の力学をシミュレートするために開発された。
論文 参考訳(メタデータ) (2020-09-11T18:00:00Z) - 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) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳(メタデータ) (2020-07-24T06:34:34Z)
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。