論文の概要: Emulating Quantum Dynamics with Neural Networks via Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2203.10200v1
• Date: Sat, 19 Mar 2022 00:21:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-27 01:36:01.985548
• Title: Emulating Quantum Dynamics with Neural Networks via Knowledge Distillation
• Title（参考訳）: 知識蒸留によるニューラルネットワークによる量子ダイナミクスのシミュレーション
• Authors: Yu Yao, Chao Cao, Stephan Haas, Mahak Agarwal, Divyam Khanna, Marcin Abram
• Abstract要約: 高忠実な量子力学エミュレータは、複雑な物理系の時間進化を予測するのに使うことができる。 機械学習に基づくエミュレータを構築するための効率的なトレーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.741611658931337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-fidelity quantum dynamics emulators can be used to predict the time evolution of complex physical systems. Here, we introduce an efficient training framework for constructing machine learning-based emulators. Our approach is based on the idea of knowledge distillation and uses elements of curriculum learning. It works by constructing a set of simple, but rich-in-physics training examples (a curriculum). These examples are used by the emulator to learn the general rules describing the time evolution of a quantum system (knowledge distillation). The goal is not only to obtain high-quality predictions, but also to examine the process of how the emulator learns the physics of the underlying problem. This allows us to discover new facts about the physical system, detect symmetries, and measure relative importance of the contributing physical processes. We illustrate this approach by training an artificial neural network to predict the time evolution of quantum wave packages propagating through a potential landscape. We focus on the question of how the emulator learns the rules of quantum dynamics from the curriculum of simple training examples and to which extent it can generalize the acquired knowledge to solve more challenging cases.
• Abstract（参考訳）: 高忠実な量子力学エミュレータは複雑な物理系の時間進化を予測するのに使うことができる。 本稿では,機械学習に基づくエミュレータ構築のための効率的な学習フレームワークを提案する。 我々のアプローチは知識蒸留の考え方に基づいており、カリキュラム学習の要素を利用する。 単純な、しかし、体育的な訓練例(カリキュラム)のセットを構築することで機能する。 これらの例は、量子系の時間発展を記述する一般的な規則(知識蒸留)を学ぶためにエミュレータによって使用される。 目標は、高品質な予測を得るだけでなく、エミュレータが基礎となる問題の物理をどのように学習するかを調べることである。 これにより、物理系に関する新しい事実を発見し、対称性を検出し、貢献する物理過程の相対的重要性を測定することができる。 本稿では、ニューラルネットワークをトレーニングして、潜在的景観を伝播する量子波パッケージの時間的進化を予測する。 簡単なトレーニング例のカリキュラムから,エミュレータが量子力学の規則をどのように学習するか,より困難なケースを解決するために獲得した知識をどの程度一般化できるか,といった問題に焦点をあてる。

関連論文リスト

• Quantum Extreme Learning of molecular potential energy surfaces and force fields [5.13730975608994]
  量子ニューラルネットワークは、分子系のポテンシャルエネルギー表面と力場を学習するために用いられる。 この特定の教師付き学習ルーチンは、古典的コンピュータ上で実行される単純な線形回帰からなるリソース効率のトレーニングを可能にする。 我々は、任意の次元の分子を研究するために使用でき、NISQデバイスで即時使用するために最適化された設定をテストした。 他の教師付き学習ルーチンと比較して、提案されたセットアップは最小限の量子リソースを必要とするため、量子プラットフォーム上で直接実装することが可能である。
  論文  参考訳（メタデータ） (2024-06-20T18:00:01Z)
• A Quick Introduction to Quantum Machine Learning for Non-Practitioners [0.0]
  この論文では、重ね合わせ、位相空間、絡み合いなど、基本的な量子力学の原理を取り上げている。 また、人工知能、勾配降下、バックプロパゲーションといった古典的なディープラーニングの概念もレビューしている。 量子ニューラルネットワークの潜在的な利点を例に挙げる。
  論文  参考訳（メタデータ） (2024-02-22T16:48:17Z)
• Learning, Optimizing, and Simulating Fermions with Quantum Computers [2.810160553339817]
  量子情報と計算のツールが、これらの両面でどのように役立つかを探る。 我々は、主に部分的状態学習(トモグラフィープロトコル)のタスクを通じて、量子系の減少するが十分で古典的な記述を得る。 同時に、そのようなプロトコルの探索において、量子状態を学ぶことが何を意味するのかという考え方も洗練される。
  論文  参考訳（メタデータ） (2023-12-16T09:57:47Z)
• 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)
• 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)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Quantum Simulation on Noisy Superconducting Quantum Computers [0.0]
  量子シミュレーションは、量子コンピューティングの潜在的に強力な応用である。 大学院や学部の学生レベルでの入門文学やデモンストレーションはほとんどない。 これにより、既に労働力が限られている分野への参入障壁が人為的に上昇する。
  論文  参考訳（メタデータ） (2022-09-06T19:44:18Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Quantum Neural Network Classifiers: A Tutorial [1.4567067583556714]
  我々は、パラメータ化量子回路の形で量子ニューラルネットワークに焦点を当てる。 我々は主に、教師付き学習タスクのための量子ニューラルネットワークの異なる構造と符号化戦略について議論する。 Julia言語で記述された量子シミュレーションパッケージであるYoo.jlを使って、パフォーマンスをベンチマークする。
  論文  参考訳（メタデータ） (2022-06-06T18:00:01Z)
• Simulating Quantum Materials with Digital Quantum Computers [55.41644538483948]
  デジタル量子コンピュータ(DQC)は、古典的コンピュータでは引き起こせない量子シミュレーションを効率的に行うことができる。 このレビューの目的は、物理量子優位性を達成するために行われた進歩の要約を提供することである。
  論文  参考訳（メタデータ） (2021-01-21T20:10:38Z)
• 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。