論文の概要: Hardware-efficient learning of quantum many-body states
- arxiv url: http://arxiv.org/abs/2212.06084v1
- Date: Mon, 12 Dec 2022 18:00:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 18:41:16.114140
- Title: Hardware-efficient learning of quantum many-body states
- Title(参考訳): 量子多体状態のハードウェア効率学習
- Authors: Katherine Van Kirk, Jordan Cotler, Hsin-Yuan Huang, Mikhail D. Lukin
- Abstract要約: 粒子の制御の度合いが低いシステムにおいて、量子多体状態を学ぶための厳密で効率的なアルゴリズムを提案する。
U(1)格子ゲージ理論におけるエネルギー密度推定アルゴリズムの有効性を数値的に示す。
- 参考スコア(独自算出の注目度): 1.9785872350085876
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficient characterization of highly entangled multi-particle systems is an
outstanding challenge in quantum science. Recent developments have shown that a
modest number of randomized measurements suffices to learn many properties of a
quantum many-body system. However, implementing such measurements requires
complete control over individual particles, which is unavailable in many
experimental platforms. In this work, we present rigorous and efficient
algorithms for learning quantum many-body states in systems with any degree of
control over individual particles, including when every particle is subject to
the same global field and no additional ancilla particles are available. We
numerically demonstrate the effectiveness of our algorithms for estimating
energy densities in a U(1) lattice gauge theory and classifying topological
order using very limited measurement capabilities.
- Abstract(参考訳): 高絡み合いの多粒子系の効率的なキャラクタリゼーションは量子科学において顕著な課題である。
近年の進歩は、量子多体系の多くの特性を学ぶのに、無作為な数の測定が十分であることを示している。
しかし、そのような測定の実行には個々の粒子を完全に制御する必要があるため、多くの実験プラットフォームでは利用できない。
本研究では,各粒子が同一大域に分布し,追加のアンシラ粒子が存在しない場合を含む,個々の粒子を制御できるようなシステムにおいて,量子多体状態を学ぶための厳密で効率的なアルゴリズムを提案する。
我々は,U(1)格子ゲージ理論におけるエネルギー密度推定アルゴリズムの有効性を数値的に実証し,非常に限られた測定能力を用いて位相順を分類する。
関連論文リスト
- Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文 参考訳(メタデータ) (2024-01-31T01:02:16Z) - Learning Global Quantum Properties from Local Measurements with Neural
Networks [4.066900913839746]
我々は,多体量子システムのグローバル特性を正確に予測できるマルチタスクニューラルネットワークモデルを開発した。
このモデルは、量子可観測物の期待値を含む複数の量子特性を同時に予測することができる。
注目すべきは、与えられた量子特性の集合に対するマルチタスクトレーニングにより、モデルが元の集合以外の新しい性質を発見できることである。
論文 参考訳(メタデータ) (2023-10-18T08:53:23Z) - Measuring Arbitrary Physical Properties in Analog Quantum Simulation [0.5999777817331317]
アナログ量子シミュレーションにおける中心的な課題は、実験で生成された量子状態の望ましい物理的性質を特徴づけることである。
本稿では,汎用量子力学のエルゴード特性を利用したスケーラブルなプロトコルの提案と解析を行う。
我々のプロトコルは、制限された制御性を克服し、短期量子技術の汎用性と実用性を高めることをエキサイティングに約束する。
論文 参考訳(メタデータ) (2022-12-05T19:00:01Z) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳(メタデータ) (2022-04-26T09:52:02Z) - The randomized measurement toolbox [3.2095357952052854]
我々は最近,複雑な多ビットシステムの特性を探索するためのプロトコルを概説した。
これら全てのプロトコルにおいて、量子状態は繰り返し準備され、ランダムに選択された基底で測定される。
量子デバイスですでに実現されているさまざまなユースケースについて論じる。
論文 参考訳(メタデータ) (2022-03-21T22:33:18Z) - Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。
計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。
我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文 参考訳(メタデータ) (2022-02-17T19:00:09Z) - Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。
解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
論文 参考訳(メタデータ) (2021-08-30T23:50:05Z) - Quantum Non-equilibrium Many-Body Spin-Photon Systems [91.3755431537592]
論文は、非平衡状態における強相関量子系の量子力学に関するものである。
本研究の主な成果は, 臨界ダイナミクスのシグナチャ, 超ストロング結合のテストベッドとしての駆動ディックモデル, キブルズルーク機構の3つにまとめることができる。
論文 参考訳(メタデータ) (2020-07-23T19:05:56Z) - Finding Quantum Critical Points with Neural-Network Quantum States [0.0]
本稿では,ニューラルネットワーク量子状態を用いた量子イジングモデルの量子臨界点探索手法を提案する。
我々は、本質的に制限されたボルツマンマシン、トランスファーラーニング、教師なし学習を解析的に構築した。
論文 参考訳(メタデータ) (2020-02-07T04:39:09Z) - Statistical Limits of Supervised Quantum Learning [90.0289160657379]
精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。
より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
論文 参考訳(メタデータ) (2020-01-28T17:35:32Z)
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。