論文の概要: Quantum Simulations in Effective Model Spaces (I): Hamiltonian
Learning-VQE using Digital Quantum Computers and Application to the
Lipkin-Meshkov-Glick Model
- arxiv url: http://arxiv.org/abs/2301.05976v1
- Date: Sat, 14 Jan 2023 21:10:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 17:56:43.625363
- Title: Quantum Simulations in Effective Model Spaces (I): Hamiltonian
Learning-VQE using Digital Quantum Computers and Application to the
Lipkin-Meshkov-Glick Model
- Title（参考訳）: 有効モデル空間における量子シミュレーション(I):デジタル量子コンピュータを用いたハミルトン学習VQEとLipkin-Meshkov-Glickモデルへの応用
- Authors: Caroline E. P. Robin and Martin J. Savage
- Abstract要約: 我々は、反復型ハイブリッド古典量子アルゴリズム、ハミルトン学習変分量子固有解法(HL-VQE)を導入する。
HL-VQEはLipkin-Meshkov-Glickモデル計算において指数関数的改善をもたらす。
この研究は、核システムの記述のための絡み合い駆動量子アルゴリズムの開発におけるステップを構成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The utility of effective model spaces in quantum simulations of
non-relativistic quantum many-body systems is explored in the context of the
Lipkin-Meshkov-Glick model of interacting fermions. We introduce an iterative
hybrid-classical-quantum algorithm, Hamiltonian learning variational quantum
eigensolver (HL-VQE), that simultaneously optimizes an effective Hamiltonian,
thereby rearranging entanglement into the effective model space, and the
associated ground-state wavefunction. HL-VQE is found to provide an exponential
improvement in Lipkin-Meshkov-Glick model calculations, compared to a naive
truncation without Hamiltonian learning, throughout a significant fraction of
the Hilbert space. Quantum simulations are performed to demonstrate the HL-VQE
algorithm, using an efficient mapping where the number of qubits scales with
the $\log$ of the size of the effective model space, rather than the particle
number, allowing for the description of large systems with small quantum
circuits. Implementations on IBM's QExperience quantum computers and simulators
for 1- and 2-qubit effective model spaces are shown to provide accurate and
precise results, reproducing classical predictions. This work constitutes a
step in the development of entanglement-driven quantum algorithms for the
description of nuclear systems, that leverages the potential of noisy
intermediate-scale quantum (NISQ) devices.
- Abstract（参考訳）: 非相対論的量子多体系の量子シミュレーションにおける有効モデル空間の有用性は、相互作用フェルミオンのリプキン・メシュコフ・グリック模型の文脈で研究されている。
本稿では,実効的なハミルトニアンを同時に最適化し,実効モデル空間への絡み合いと関連する基底状態波動関数を再構成する,反復的ハイブリッド古典量子アルゴリズムであるhamiltonian learning variational quantum eigensolver (hl-vqe)を提案する。
HL-VQEは、ヒルベルト空間のかなりの部分にわたって、ハミルトニアン学習を伴わない単純なトランケーションと比較して、リプキン-メシュコフ-グリックモデル計算において指数関数的な改善をもたらす。
量子シミュレーションはhl-vqeアルゴリズムを実証するために行われ、量子ビットの数を粒子数ではなく実効モデル空間のサイズの$\log$でスケールする効率的なマッピングを用いて、小さな量子回路を持つ大規模システムを記述することができる。
IBMのQExperience量子コンピュータと1ビットと2ビットの有効モデル空間のシミュレータの実装は、古典的な予測を再現し、正確で正確な結果を提供する。
この研究は、ノイズの多い中間スケール量子(NISQ)デバイスの可能性を活用する核システム記述のための絡み合い駆動量子アルゴリズムの開発におけるステップを構成する。
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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Expanding Hardware-Efficiently Manipulable Hilbert Space via Hamiltonian
Embedding [9.219297088819634]
多くの有望な量子アプリケーションは指数的に大きなスパースハミルトニアンの効率的な量子シミュレーションに依存する。
本稿では,ハミルトニアン埋め込みという手法を提案する。
このテクニックは、より大きくより構造化された量子系の進化にそれを埋め込むことによって、望ましいスパース・ハミルトンをシミュレートする。
論文 参考訳（メタデータ） (2024-01-16T18:19:29Z) - Quantum Simulations for Strong-Field QED [0.0]
強磁場QED(SFQED)の3+1$次元での量子シミュレーションを行う。
ブライト・ウィーラー対生成に関連する相互作用は量子回路に変換される。
ヌルダブルスリット」実験の量子シミュレーションは古典シミュレーションとよく一致している。
論文 参考訳（メタデータ） (2023-11-30T03:05:26Z) - 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) - 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) - 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) - Efficient Quantum Simulation of Open Quantum System Dynamics on Noisy
Quantum Computers [0.0]
量子散逸ダイナミクスは、コヒーレントからインコヒーレントにまたがって効率的にシミュレートできることを示す。
この研究は、NISQ時代の量子優位性のための新しい方向性を提供する。
論文 参考訳（メタデータ） (2021-06-24T10:37:37Z) - 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) - Scalable Hamiltonian learning for large-scale out-of-equilibrium quantum
dynamics [0.0]
平衡外量子系におけるハミルトントモグラフィーのためのニューラルネットワークに基づくスケーラブルなアルゴリズムを提案する。
具体的には,任意の大きさの準1次元ボゾン系のハミルトニアンを再構成可能であることを示す。
論文 参考訳（メタデータ） (2021-03-01T19:00:15Z)
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。