論文の概要: Deep recurrent networks predicting the gap evolution in adiabatic
quantum computing
- arxiv url: http://arxiv.org/abs/2109.08492v2
- Date: Tue, 15 Nov 2022 13:55:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 11:36:59.275537
- Title: Deep recurrent networks predicting the gap evolution in adiabatic
quantum computing
- Title（参考訳）: 断熱量子コンピューティングにおけるギャップ進化を予測するディープリカレントネットワーク
- Authors: Naeimeh Mohseni, Carlos Navarrete-Benlloch, Tim Byrnes, Florian
Marquardt
- Abstract要約: 我々は、ハミルトン問題を完全に同定するパラメータからギャップの完全な進化へのマッピングを発見するためのディープラーニングの可能性を探る。
このアーキテクチャを畳み込みニューラルネットワークと組み合わせてモデルの空間構造を扱うと、トレーニング中にニューラルネットワークで見られるものよりも大きなシステムサイズに対してギャップの進化を予測できることが示される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: One of the main challenges in quantum physics is predicting efficiently the
dynamics of observables in many-body problems out of equilibrium. A particular
example occurs in adiabatic quantum computing, where finding the structure of
the instantaneous gap of the Hamiltonian is crucial in order to optimize the
speed of the computation. Inspired by this challenge, in this work we explore
the potential of deep learning for discovering a mapping from the parameters
that fully identify a problem Hamiltonian to the full evolution of the gap
during an adiabatic sweep applying different network architectures. Through
this example, we find that a limiting factor for the learnability of the
dynamics is the size of the input, that is, how the number of parameters needed
to identify the Hamiltonian scales with the system size. We demonstrate that a
long short-term memory network succeeds in predicting the gap when the
parameter space scales linearly with system size. Remarkably, we show that once
this architecture is combined with a convolutional neural network to deal with
the spatial structure of the model, the gap evolution can even be predicted for
system sizes larger than the ones seen by the neural network during training.
This provides a significant speedup in comparison with the existing exact and
approximate algorithms in calculating the gap.
- Abstract（参考訳）: 量子物理学における大きな課題の1つは、平衡から多体問題における可観測性のダイナミクスを効率的に予測することである。
特定の例は断熱量子コンピューティングにおいて起こり、ハミルトニアンの瞬間的ギャップの構造を見つけることは計算の速度を最適化するために不可欠である。
この課題にインスパイアされた本研究では、ハミルトニアン問題を完全に識別するパラメータから、異なるネットワークアーキテクチャを適用した断熱的なスイープ中のギャップの完全な進化へのマッピングを見つけるためのディープラーニングの可能性を探る。
この例を通して、ダイナミクスの学習可能性の制限要因は入力のサイズ、すなわち、ハミルトニアンスケールをシステムサイズで識別するために必要なパラメータの数であることがわかった。
パラメータ空間がシステムサイズと線形にスケールする場合、長期の短期記憶ネットワークはギャップの予測に成功することを示す。
注目すべきは、このアーキテクチャがモデルの空間構造を扱うために畳み込みニューラルネットワークと組み合わされると、トレーニング中にニューラルネットワークで見られるものよりも大きなシステムサイズに対してギャップ進化を予測できることである。
これにより、ギャップを計算する際の既存の完全および近似アルゴリズムと比較して、大幅な高速化が得られる。
関連論文リスト
- Training Hamiltonian neural networks without backpropagation [0.0]
本稿では,ハミルトニアン系を近似するニューラルネットワークのトレーニングを高速化するバックプロパゲーションフリーアルゴリズムを提案する。
従来のハミルトニアンニューラルネットワークよりもCPUの方が100倍以上高速であることを示す。
論文 参考訳（メタデータ） (2024-11-26T15:22:30Z) - 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) - 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) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - Spike-and-slab shrinkage priors for structurally sparse Bayesian neural networks [0.16385815610837165]
スパースディープラーニングは、基礎となるターゲット関数のスパース表現を復元することで、課題に対処する。
構造化された空間によって圧縮されたディープニューラルアーキテクチャは、低レイテンシ推論、データスループットの向上、エネルギー消費の削減を提供する。
本研究では, (i) Spike-and-Slab Group Lasso (SS-GL) と (ii) Spike-and-Slab Group Horseshoe (SS-GHS) を併用した過剰ノードを誘発する構造的疎いベイズニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2023-08-17T17:14:18Z) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - Bayesian Interpolation with Deep Linear Networks [92.1721532941863]
ニューラルネットワークの深さ、幅、データセットサイズがモデル品質にどう影響するかを特徴付けることは、ディープラーニング理論における中心的な問題である。
線形ネットワークが無限深度で証明可能な最適予測を行うことを示す。
また、データに依存しない先行法により、広い線形ネットワークにおけるベイズ模型の証拠は無限の深さで最大化されることを示す。
論文 参考訳（メタデータ） (2022-12-29T20:57:46Z) - Deep learning of spatial densities in inhomogeneous correlated quantum
systems [0.0]
ランダムポテンシャルに基づいてトレーニングされた畳み込みニューラルネットワークを用いて,密度の予測が可能であることを示す。
我々は,不均一な状況下での干渉と相互作用の相互作用と相転移を伴うモデルの挙動をうまく扱えることを示す。
論文 参考訳（メタデータ） (2022-11-16T17:10:07Z) - Scalable Spatiotemporal Graph Neural Networks [14.415967477487692]
グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。
ほとんどの時間前GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの長さの2乗係数までスケールする。
本稿では,時間的・空間的両方のダイナミックスを効率的に符号化するスケーラブルなアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-09-14T09:47:38Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z)
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。