論文の概要: Transformer Quantum State: A Multi-Purpose Model for Quantum Many-Body
Problems
- arxiv url: http://arxiv.org/abs/2208.01758v3
- Date: Fri, 9 Dec 2022 01:49:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 14:10:06.407370
- Title: Transformer Quantum State: A Multi-Purpose Model for Quantum Many-Body
Problems
- Title(参考訳): トランスフォーマー量子状態:量子多体問題のための多目的モデル
- Authors: Yuan-Hang Zhang, Massimiliano Di Ventra
- Abstract要約: 本稿では,量子多体問題に対する汎用機械学習モデルであるTransformer quantum state (TQS)を紹介する。
ハミルトン/タスク特有のモデルとは対照的に、TQSは位相図全体を生成し、実験的な測定で場の強度を予測し、そのような知識を今まで見たことのない新しいシステムに転送することができる。
- 参考スコア(独自算出の注目度): 8.761355402590105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inspired by the advancements in large language models based on transformers,
we introduce the transformer quantum state (TQS), a versatile machine learning
model for quantum many-body problems. In sharp contrast to Hamiltonian/task
specific models, TQS can generate the entire phase diagram, predict field
strengths with experimental measurements, and transfer such knowledge to new
systems it has never seen before, all within a single model. With specific
tasks, fine-tuning the TQS produces accurate results with small computational
cost. Versatile by design, TQS can be easily adapted to new tasks, thereby
pointing towards a general-purpose model for various challenging quantum
problems.
- Abstract(参考訳): トランスフォーマーに基づく大規模言語モデルの進歩に触発されて,量子多体問題に対する汎用機械学習モデルであるtransformer quantum state (tqs)を提案する。
ハミルトニアン/タスク特定モデルとは対照的に、tqsは位相図全体を生成し、実験的な測定でフィールド強度を予測し、これまで見たことのない新しいシステムにその知識を移すことができる。
特定のタスクでtqsを微調整すると、計算コストが小さく正確な結果が得られる。
設計上は、TQSは容易に新しいタスクに適応できるため、様々な挑戦的な量子問題に対する汎用モデルに向けられる。
関連論文リスト
- Explicit quantum surrogates for quantum kernel models [0.6834295298053009]
暗黙的モデルの明示的量子サロゲート(EQS)を作成するための量子古典ハイブリッドアルゴリズムを提案する。
これには、暗黙のモデルから観測可能なものを対角化し、対応する量子回路を構築することが含まれる。
EQSフレームワークは予測コストを削減し、不毛の高原問題を軽減し、両方のQMLアプローチの長所を組み合わせる。
論文 参考訳(メタデータ) (2024-08-06T07:15:45Z) - The Quantum Imitation Game: Reverse Engineering of Quantum Machine Learning Models [2.348041867134616]
量子機械学習(QML)は、機械学習モデルと量子コンピューティングのパラダイムを融合させる。
量子コンピューティングのNoisy Intermediate-Scale Quantum(NISQ)時代における多くのサードパーティベンダーの拡大により、QMLモデルのセキュリティが最重要となる。
我々は、信頼できない量子クラウドプロバイダが、推論中にトランスパイルされたユーザ設計のトレーニングされたQMLモデルにホワイトボックスアクセスを持つ敵であると仮定する。
論文 参考訳(メタデータ) (2024-07-09T21:35:19Z) - Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。
QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
論文 参考訳(メタデータ) (2024-05-18T14:35:57Z) - Transformer Models for Quantum Gate Set Tomography [1.1528488253382057]
量子計算は、高性能コンピューティングの領域における有望なフロンティアである。
本研究では,高忠実かつスケーラブルな量子プロセッサを製造する上での課題について検討する。
論文 参考訳(メタデータ) (2024-05-03T13:45:27Z) - PreQuant: A Task-agnostic Quantization Approach for Pre-trained Language
Models [52.09865918265002]
ファインチューニングのフレームワークPreQuantに先立って,新しい量子化を提案する。
PreQuantは様々な量子化戦略と互換性があり、インダクションされた量子化誤差を修正するために、アウタリア対応の微調整が組み込まれている。
BERT,RoBERTa,T5を用いたGLUEベンチマークにおけるPreQuantの有効性を示す。
論文 参考訳(メタデータ) (2023-05-30T08:41:33Z) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳(メタデータ) (2023-05-18T03:08:18Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳(メタデータ) (2023-01-13T09:35:05Z) - 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) - RepQ-ViT: Scale Reparameterization for Post-Training Quantization of
Vision Transformers [2.114921680609289]
視覚変換器のための新しいPTQフレームワークRepQ-ViTを提案する。
RepQ-ViTは量子化と推論プロセスを分離する。
既存の強力なベースラインを上回り、ViTの4ビットPTQの精度を有効レベルまで向上させることができる。
論文 参考訳(メタデータ) (2022-12-16T02:52:37Z) - Variational Adiabatic Gauge Transformation on real quantum hardware for
effective low-energy Hamiltonians and accurate diagonalization [68.8204255655161]
変分アダバティックゲージ変換(VAGT)を導入する。
VAGTは、現在の量子コンピュータを用いてユニタリ回路の変動パラメータを学習できる非摂動型ハイブリッド量子アルゴリズムである。
VAGTの精度は、RigettiおよびIonQ量子コンピュータ上でのシミュレーションと同様に、トラフ数値シミュレーションで検証される。
論文 参考訳(メタデータ) (2021-11-16T20:50:08Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z)
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。