論文の概要: Neural network enhanced measurement efficiency for molecular groundstates

• arxiv url: http://arxiv.org/abs/2206.15449v2
• Date: Mon, 12 Sep 2022 14:24:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-07 04:34:01.330588
• Title: Neural network enhanced measurement efficiency for molecular groundstates
• Title（参考訳）: ニューラルネットワークによる分子基底状態の測定効率の向上
• Authors: Dmitri Iouchtchenko, J\'er\^ome F. Gonthier, Alejandro Perdomo-Ortiz, Roger G. Melko
• Abstract要約: いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
• 参考スコア（独自算出の注目度）: 63.36515347329037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is believed that one of the first useful applications for a quantum computer will be the preparation of groundstates of molecular Hamiltonians. A crucial task involving state preparation and readout is obtaining physical observables of such states, which are typically estimated using projective measurements on the qubits. At present, measurement data is costly and time-consuming to obtain on any quantum computing architecture, which has significant consequences for the statistical errors of estimators. In this paper, we adapt common neural network models (restricted Boltzmann machines and recurrent neural networks) to learn complex groundstate wavefunctions for several prototypical molecular qubit Hamiltonians from typical measurement data. By relating the accuracy $\varepsilon$ of the reconstructed groundstate energy to the number of measurements, we find that using a neural network model provides a robust improvement over using single-copy measurement outcomes alone to reconstruct observables. This enhancement yields an asymptotic scaling near $\varepsilon^{-1}$ for the model-based approaches, as opposed to $\varepsilon^{-2}$ in the case of classical shadow tomography.
• Abstract（参考訳）: 量子コンピュータの最初の有用な応用の1つは、分子ハミルトニアンの基底状態の準備であると考えられている。 状態準備と読み出しを含む重要なタスクは、そのような状態の物理的観測可能値を取得することである。 現在、測定データはあらゆる量子コンピューティングアーキテクチャで得られるのに費用と時間を要するため、推定器の統計的誤差には大きな影響がある。 本稿では,一般的なニューラルネットワークモデル (restricted boltzmann machine and recurrent neural network) を用いて,典型的な測定データから,いくつかの始型的分子量子ハミルトニアンの複雑な基底状態波動関数を学習する。 再構成された基底エネルギーの$\varepsilon$の精度を測定数に関連付けることにより、ニューラルネットワークモデルを使用することで、観測対象の再構成に単一コピー計測結果のみを使用することよりも堅牢な改善が得られます。 この拡張は、古典的なシャドウトモグラフィーの場合の$\varepsilon^{-1}$とは対照的に、モデルベースのアプローチに対して$\varepsilon^{-1}$に近い漸近スケーリングをもたらす。

関連論文リスト

• 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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Quantum states from normalizing flows [0.0]
  正規化フローに基づく多体量子力学系のためのニューラル量子状態のアーキテクチャを提案する。 我々は、このアーキテクチャを地中準備とリアルタイム進化の両方に活用することを実証する。
  論文  参考訳（メタデータ） (2024-06-04T16:16:58Z)
• Learning topological states from randomized measurements using variational tensor network tomography [0.4818215922729967]
  量子状態の忠実な表現を学ぶことは、量子プロセッサ上で生成される多体状態の多様性を完全に特徴づけるのに不可欠である。 本研究では,テンソルネットワーク上の変分最適化とランダムな計測手法を組み合わせたトモグラフィー手法の実装と検討を行う。 我々は、実験により実現可能な量子スピン液体状態と同様に、表面符号の基底状態を学ぶ能力を示す。
  論文  参考訳（メタデータ） (2024-05-31T21:05:43Z)
• Neural network approach to quasiparticle dispersions in doped antiferromagnets [0.0]
  異なる1次元および2次元格子上でのボソニックおよびフェルミオンの$t-J$モデルを表現する神経量子状態の能力について検討する。 本稿では,ニューラルネットワークの状態表現から分散関係を計算する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-12T17:59:33Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Efficient quantum state tomography with convolutional neural networks [0.0]
  我々は,情報的に完全な測定結果に対する確率分布の近似に依存する量子状態トモグラフィー手法を開発した。 実験データから直接推定した場合と比較して,観測可能量の推定誤差を最大で1桁低減する。
  論文  参考訳（メタデータ） (2021-09-28T14:55:54Z)
• U(1) symmetric recurrent neural networks for quantum state reconstruction [0.4014524824655105]
  我々は、スピン1/2XYモデルの基底状態を再構成するために、リカレントニューラルネットワーク(RNN)を用いる。 RNNにU(1)対称性を付与すると学習効率が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-10-27T18:00:01Z)
• Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
  機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。 本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。 実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-31T17:25:12Z)
• State preparation and measurement in a quantum simulation of the O(3) sigma model [65.01359242860215]
  我々は,非線型O(3)シグマモデルの固定点が,格子サイトあたり2キュービットしか持たないスピンモデルの量子相転移付近で再現可能であることを示す。 本稿では,弱い結合状態と量子臨界状態の両方において,断熱的基底状態の準備が複雑になる結果を得るためにトロッター法を適用した。 非単位ランダム化シミュレーション法に基づく量子アルゴリズムの提案と解析を行う。
  論文  参考訳（メタデータ） (2020-06-28T23:44:12Z)

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。