論文の概要: Scalable approach to many-body localization via quantum data

• arxiv url: http://arxiv.org/abs/2202.08853v1
• Date: Thu, 17 Feb 2022 19:00:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-21 14:57:00.571481
• Title: Scalable approach to many-body localization via quantum data
• Title（参考訳）: 量子データによる多体局在へのスケーラブルなアプローチ
• Authors: Alexander Gresch, Lennart Bittel and Martin Kliesch
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 69.3939291118954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We are interested in how quantum data can allow for practical solutions to otherwise difficult computational problems. A notoriously difficult phenomenon from quantum many-body physics is the emergence of many-body localization (MBL). So far, is has evaded a comprehensive analysis. In particular, numerical studies are challenged by the exponential growth of the Hilbert space dimension. As many of these studies rely on exact diagonalization of the system's Hamiltonian, only small system sizes are accessible. In this work, we propose a highly flexible neural network based learning approach that, once given training data, circumvents any computationally expensive step. In this way, we can efficiently estimate common indicators of MBL such as the adjacent gap ratio or entropic quantities. Our estimator can be trained on data from various system sizes at once which grants the ability to extrapolate from smaller to larger ones. Moreover, using transfer learning we show that already a two-dimensional feature vector is sufficient to obtain several different indicators at various energy densities at once. We hope that our approach can be applied to large-scale quantum experiments to provide new insights into quantum many-body physics.
• Abstract（参考訳）: 量子データによって、計算が難しい問題に対する実用的な解決策が実現できることに関心があります。 量子多体物理学の非常に難しい現象は、多体局在(MBL)の出現である。 これまでのところ、isは包括的な分析を避けている。 特に、数値的研究はヒルベルト空間次元の指数的成長によって挑戦される。 これらの研究の多くはシステムのハミルトニアンの正確な対角化に依存しているため、小さなシステムサイズのみがアクセス可能である。 本研究では,学習データから計算コストのかかるステップを回避できる,高度に柔軟なニューラルネットワークに基づく学習手法を提案する。 このようにして、隣接するギャップ比やエントロピー量などのMBLの共通指標を効率的に推定することができる。 私たちの推定器は、さまざまなシステムサイズのデータを一度にトレーニングすることで、より小さなものから大きなものへと推定することが可能になります。 さらに, 伝達学習を用いて, 二次元特徴ベクトルは, 様々なエネルギー密度で複数の異なる指標を一度に得るのに十分であることを示す。 我々は、このアプローチを大規模量子実験に適用し、量子多体物理学への新たな洞察を提供することを望んでいる。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• Learning quantum properties from short-range correlations using multi-task networks [3.7228085662092845]
  相関長が一定である多体量子状態の様々な量子特性を予測できるニューラルネットワークモデルを提案する。 このモデルはマルチタスク学習の技術に基づいており、従来のシングルタスクアプローチよりもいくつかの利点があることを示す。
  論文  参考訳（メタデータ） (2023-10-18T08:53:23Z)
• Learning the tensor network model of a quantum state using a few single-qubit measurements [0.0]
  人工量子システムの次元性は常に増大し、その特徴付けとベンチマークのために非常に効率的な方法が要求される。 本稿では,未知の量子系のテンソルネットワークモデルを学習する構成的かつ数値的に効率的なプロトコルを提案する。
  論文  参考訳（メタデータ） (2023-09-01T11:11:52Z)
• 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)
• 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)
• 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)
• Certifying Unknown Genuine Multipartite Entanglement by Neural Networks [1.8689488822130746]
  ニューラルネットワークは、この問題に対する優れた解決策を提供することができることを示す。 多くの特定の多部量子状態上で我々のモデルをテストすることにより、真の多部量子絡みを非常に正確に証明できることが示される。
  論文  参考訳（メタデータ） (2022-10-25T08:40:20Z)
• Probing quantum information propagation with out-of-time-ordered correlators [41.12790913835594]
  小型の量子情報プロセッサは、多体量子システムを効率的にエミュレートする約束を持っている。 ここでは、時間外順序付き相関器(OTOC)の測定を実演する。 我々の実験における中心的な要件は、時間進化をコヒーレントに逆転させる能力である。
  論文  参考訳（メタデータ） (2021-02-23T15:29:08Z)
• Entanglement transfer, accumulation and retrieval via quantum-walk-based qubit-qudit dynamics [50.591267188664666]
  高次元システムにおける量子相関の生成と制御は、現在の量子技術の展望において大きな課題である。 本稿では,量子ウォークに基づく移動・蓄積機構により,$d$次元システムの絡み合った状態が得られるプロトコルを提案する。 特に、情報を軌道角運動量と単一光子の偏光度にエンコードするフォトニック実装について述べる。
  論文  参考訳（メタデータ） (2020-10-14T14:33:34Z)

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。