Fugu-MT 論文翻訳(概要): High-accuracy Hamiltonian learning via delocalized quantum state evolutions

論文の概要: High-accuracy Hamiltonian learning via delocalized quantum state evolutions

arxiv url: http://arxiv.org/abs/2204.03997v3
Date: Thu, 19 Jan 2023 19:58:00 GMT
ステータス: 処理完了
システム内更新日: 2023-02-17 21:27:06.522928
Title: High-accuracy Hamiltonian learning via delocalized quantum state evolutions
Title（参考訳）: 非局在量子状態進化による高精度ハミルトン学習
Authors: Davide Rattacaso and Gianluca Passarelli and Procolo Lucignano
Abstract要約: ハミルトン固有ベイズで非局在化された状態に対して,学習過程の精度が最大であることを示す。これは、非局在化がハミルトン学習の量子資源であり、学習アルゴリズムの最適な初期状態を選択するために利用することができることを意味している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Learning the unknown Hamiltonian governing the dynamics of a quantum many-body system is a challenging task. In this manuscript, we propose a possible strategy based on repeated measurements on a single time-dependent state. We prove that the accuracy of the learning process is maximized for states that are delocalized in the Hamiltonian eigenbasis. This implies that delocalization is a quantum resource for Hamiltonian learning, that can be exploited to select optimal initial states for learning algorithms. We investigate the error scaling of our reconstruction with respect to the number of measurements, and we provide examples of our learning algorithm on simulated quantum systems.
Abstract（参考訳）: 量子多体系のダイナミクスを支配する未知のハミルトニアンの学習は難しい課題である。本稿では,1つの時間依存状態における繰り返し測定に基づく戦略を提案する。学習過程の精度はハミルトン固有ベイズで非局在化された状態に対して最大であることを示す。これは、非局在化がハミルトン学習の量子資源であり、学習アルゴリズムの最適初期状態の選択に利用できることを意味する。本研究は, シミュレーション量子システムにおける学習アルゴリズムの例を示すとともに, 測定数に対する再構成の誤差スケーリングについて検討する。

関連論文リスト

Quantum Simulation of Nonlinear Dynamical Systems Using Repeated Measurement [42.896772730859645]
本稿では, 非線形常微分方程式の初期値問題を解くために, 繰り返し測定に基づく量子アルゴリズムを提案する。古典ロジスティック系とローレンツ系に、積分可能かつカオス的条件の両方でこのアプローチを適用する。
論文参考訳（メタデータ） (2024-10-04T18:06:12Z)
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)
Predicting Ground State Properties: Constant Sample Complexity and Deep Learning Algorithms [48.869199703062606]
量子多体物理学における基本的な問題は、局所ハミルトニアンの基底状態を見つけることである。基底状態特性を学習するためのシステムサイズ$n$とは無関係に,一定のサンプル複雑性を実現する2つのアプローチを導入する。
論文参考訳（メタデータ） (2024-05-28T18:00:32Z)
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)
Unified Quantum State Tomography and Hamiltonian Learning Using Transformer Models: A Language-Translation-Like Approach for Quantum Systems [0.47831562043724657]
本稿では,量子状態トモグラフィとハミルトン学習を効果的に融合させるため,変圧器モデルに注意機構を取り入れた新しいアプローチを提案する。簡単な2量子ビットの場合から、より複雑な2次元反強磁性ハイゼンベルク構造まで、様々な量子系におけるアプローチの有効性を実証する。
論文参考訳（メタデータ） (2023-04-24T11:20:44Z)
Learning ground states of gapped quantum Hamiltonians with Kernel Methods [0.0]
本稿では,カーネル手法を用いて最適化を容易にする統計的学習手法を提案する。提案手法は,電力の次のステップを学習するために教師付き学習を用いる電力法を近似的に実現したものである。
論文参考訳（メタデータ） (2023-03-15T19:37:33Z)
Improved iterative quantum algorithm for ground-state preparation [4.921552273745794]
ハミルトン系の基底状態を作成するために,改良された反復量子アルゴリズムを提案する。提案手法には,各イテレーションにおける成功確率の向上,測定精度に依存しないサンプリングの複雑さ,ゲートの複雑さの低減,およびアシラリー状態が十分に準備された場合の量子資源のみを必要とするという利点がある。
論文参考訳（メタデータ） (2022-10-16T05:57:43Z)
Robust and Efficient Hamiltonian Learning [2.121963121603413]
軽度の仮定に基づいて制限を回避できる頑健で効率的なハミルトン学習法を提案する。提案手法は,短時間のダイナミクスと局所演算のみを用いて,パウリベースでスパースなハミルトニアンを効率的に学習することができる。ランダムな相互作用強度と分子ハミルトニアンを持つ横場イジング・ハミルトニアンのスケーリングと推定精度を数値的に検証する。
論文参考訳（メタデータ） (2022-01-01T13:48:15Z)
Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文参考訳（メタデータ） (2021-08-09T18:00:05Z)
Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文参考訳（メタデータ） (2021-04-01T19:06:00Z)
Iterative Quantum Assisted Eigensolver [0.0]
我々は、ハミルトニアン基底状態を近似するハイブリッド量子古典アルゴリズムを提供する。我々のアルゴリズムは、現在の量子コンピュータに適した方法で、強力なKrylov部分空間法に基づいている。
論文参考訳（メタデータ） (2020-10-12T12:25:16Z)

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。