論文の概要: Predicting Properties of Quantum Systems with Conditional Generative Models

• arxiv url: http://arxiv.org/abs/2211.16943v1
• Date: Wed, 30 Nov 2022 12:34:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 18:18:55.359468
• Title: Predicting Properties of Quantum Systems with Conditional Generative Models
• Title（参考訳）: 条件付き生成モデルによる量子系の予測特性
• Authors: Haoxiang Wang, Maurice Weber, Josh Izaac, Cedric Yen-Yu Lin
• Abstract要約: 生成モデルは、単一の量子状態の測定から学習し、局所的な観測可能な状態を予測するのに十分な精度で状態を再構築することができる。 カーネルメソッドは、異なるが関連する状態の測定から学習することで、ローカルオブザーバブルを予測することができる。 2次元ランダムハイゼンベルクモデルとライドバーグ原子系の2つの量子多体問題に対するアプローチを数値的に検証する。
• 参考スコア（独自算出の注目度）: 6.180456551480933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning has emerged recently as a powerful tool for predicting properties of quantum many-body systems. For many ground states of gapped Hamiltonians, generative models can learn from measurements of a single quantum state to reconstruct the state accurately enough to predict local observables. Alternatively, kernel methods can predict local observables by learning from measurements on different but related states. In this work, we combine the benefits of both approaches and propose the use of conditional generative models to simultaneously represent a family of states, by learning shared structures of different quantum states from measurements. The trained model allows us to predict arbitrary local properties of ground states, even for states not present in the training data, and without necessitating further training for new observables. We numerically validate our approach (with simulations of up to 45 qubits) for two quantum many-body problems, 2D random Heisenberg models and Rydberg atom systems.
• Abstract（参考訳）: 機械学習は、量子多体システムの特性を予測する強力なツールとして最近登場した。 ガッピングハミルトニアンの多くの基底状態について、生成モデルは単一の量子状態の測定から学び、局所観測可能性を予測するのに十分な正確な状態を再構築することができる。 あるいは、カーネルメソッドは、異なるが関連する状態の測定から学習することで、ローカルオブザーバブルを予測できる。 本研究では,両手法の利点を組み合わせることで,異なる量子状態の共有構造を測定から学習することにより,状態の族を同時に表現するための条件付き生成モデルの利用を提案する。 トレーニングされたモデルでは、トレーニングデータに存在しない状態であっても、新しい観測対象のさらなる訓練を必要とせず、任意の基底状態の局所特性を予測できる。 我々は、2つの量子多体問題、2次元ランダムハイゼンベルクモデルとライドバーグ原子系に対するアプローチ(最大45キュービットのシミュレーション)を数値的に検証する。

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)
• Dual-Capability Machine Learning Models for Quantum Hamiltonian Parameter Estimation and Dynamics Prediction [2.142387003055715]
  本研究では,2つの機能を持つ機械学習モデルを提案する。 観測された局所観測値の変化から時間依存のハミルトンパラメータを推定することができる。 これはハミルトンのパラメータに基づいてこれらの可観測物の進化を予測することができる。
  論文  参考訳（メタデータ） (2024-05-22T12:21:57Z)
• A hybrid method for quantum dynamics simulation [2.6340447642310383]
  本稿では、トロッターに基づく量子アルゴリズムと古典的動的モード分解を組み合わせることで、量子多体力学をシミュレートするハイブリッド手法を提案する。 提案手法は, 量子コンピュータから短時間測定した一連のデータを用いて, 長期間の量子状態の観測可能性を予測する。
  論文  参考訳（メタデータ） (2023-07-27T23:43:13Z)
• 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)
• Preparation for Quantum Simulation of the 1+1D O(3) Non-linear {\sigma}-Model using Cold Atoms [0.0]
  1+1D O(3)非線形シグマモデル(英: non-linear sigma-model)は、他の理論の将来の量子格子シミュレーションのためのモデルシステムである。 我々は、48個のリドベルク原子の長方形の配列が摂動的に整合した理論の低エネルギー状態を作ることができることを示す。
  論文  参考訳（メタデータ） (2022-11-14T19:01:47Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  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。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Probing finite-temperature observables in quantum simulators of spin systems with short-time dynamics [62.997667081978825]
  ジャジンスキー等式から動機付けられたアルゴリズムを用いて, 有限温度可観測体がどのように得られるかを示す。 長範囲の逆場イジングモデルにおける有限温度相転移は、捕捉されたイオン量子シミュレータで特徴づけられることを示す。
  論文  参考訳（メタデータ） (2022-06-03T18:00:02Z)
• Deep neural network predicts parameters of quantum many-body Hamiltonians by learning visualized wave-functions [0.0]
  畳み込みニューラルネットワーク(CNN)は相互作用するハミルトンの物理的パラメータを予測することができることを示す。 地上状態を画像として視覚化するQubism Mapと、対象の物理パラメータに画像をマッピングするCNNの2つの主要部分からなるQubismNetを提案する。
  論文  参考訳（メタデータ） (2020-12-05T12:22:12Z)
• 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。