Fugu-MT 論文翻訳(概要): Supercomputing tensor networks for U(1) symmetric quantum many-body systems

論文の概要: Supercomputing tensor networks for U(1) symmetric quantum many-body systems

arxiv url: http://arxiv.org/abs/2303.11409v1
Date: Mon, 20 Mar 2023 19:33:13 GMT
ステータス: 処理完了
システム内更新日: 2023-03-22 17:35:18.467444
Title: Supercomputing tensor networks for U(1) symmetric quantum many-body systems
Title（参考訳）: U(1)対称量子多体系の超計算テンソルネットワーク
Authors: Minzhao Liu, Changhun Oh, Junyu Liu, Liang Jiang, Yuri Alexeev
Abstract要約: テンソルネットワークアルゴリズムは基礎となる量子システムの固有の対称性を活用できる我々は、テンソルネットワークアルゴリズムの最先端、グラフィカル処理ユニットアクセラレーション、高並列スーパーコンピュータ実装を提供する。
参考スコア（独自算出の注目度）: 8.948668614549659
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Simulation of many-body systems is extremely computationally intensive, and tensor network schemes have long been used to make these tasks more tractable via approximation. Recently, tensor network algorithms that can exploit the inherent symmetries of the underlying quantum systems have been proposed to further reduce computational complexity. One class of systems, namely those exhibiting a global U(1) symmetry, is especially interesting. We provide a state-of-the-art, graphical processing unit-accelerated, and highly parallel supercomputer implementation of the tensor network algorithm that takes advantage of U(1) symmetry, opening up the possibility of a wide range of quantum systems for future numerical investigations.
Abstract（参考訳）: 多体系のシミュレーションは非常に計算集約的であり、テンソルネットワークスキームは、これらのタスクを近似によってより扱いやすくするために長い間使われてきた。近年,基礎となる量子系の固有対称性を利用するテンソルネットワークアルゴリズムが提案され,計算複雑性のさらなる低減が図られている。グローバルなU(1)対称性を示す系の1つのクラスは特に興味深い。我々は,U(1)対称性を活かしたテンソルネットワークアルゴリズムの最先端,グラフィカル処理ユニットアクセラレーション,高並列スーパーコンピュータ実装を提供し,将来的な数値計算のための幅広い量子システムの可能性を広げる。

関連論文リスト

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)
Simplification of tensor updates toward performance-complexity balanced quantum computer simulation [0.0]
本研究は、テンソルネットワークに基づく量子コンピュータシミュレーションの文脈におけるテンソル更新の単純化について研究する。数値シミュレーションによると、単純更新と呼ばれる手法は、量子多体スピン系からもたらされ、忠実度と計算複雑性のバランスが良好である。
論文参考訳（メタデータ） (2024-06-05T07:18:28Z)
Tensor Quantum Programming [0.0]
本研究では,行列積演算子を量子回路に符号化するアルゴリズムを開発した。これは、微分方程式、最適化問題、量子化学において頻繁に遭遇する数に対して、最大50量子ビットでの有効性を示す。
論文参考訳（メタデータ） (2024-03-20T10:44:00Z)
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)
Overcoming exponential scaling with system size in Trotter-Suzuki implementations of constrained Hamiltonians: 2+1 U(1) lattice gauge theories [1.5675763601034223]
多くの興味深い量子系に対して、時間進化をシミュレーションする古典的な計算コストは、システムサイズにおいて指数関数的にスケールする。量子コンピュータは、システムサイズと指数関数的にスケールするリソースを使用して、これらのシステムのいくつかのシミュレーションを可能にすることが示されている。この研究はハミルトニアン(Hamiltonian)という用語を、システムサイズで指数関数的にスケールする量子資源を必要とする制約付きシステムのクラスで定義する。
論文参考訳（メタデータ） (2022-08-05T18:00:52Z)
Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文参考訳（メタデータ） (2022-04-18T21:45:13Z)
Tensor Networks for Simulating Quantum Circuits on FPGAs [0.0]
現在の量子コンピューティングのほとんどの研究は、真の量子コンピュータではなく、量子コンピュータのシミュレーションに対して行われている。このようなシミュレーションを高速化する1つの方法は、フィールドプログラマブルゲートアレイ(FPGA)ハードウェアを使用して、行列乗算を効率的に計算することである。量子コンピューティングシステムのメモリフットプリントを潜在的に削減する1つの方法は、テンソルネットワークとして表現することである。
論文参考訳（メタデータ） (2021-08-15T22:43:38Z)
Efficient construction of tensor-network representations of many-body Gaussian states [59.94347858883343]
本稿では,多体ガウス状態のテンソルネットワーク表現を効率よく,かつ制御可能な誤差で構築する手法を提案する。これらの状態には、量子多体系の研究に欠かせないボゾン系およびフェルミオン系二次ハミルトン系の基底状態と熱状態が含まれる。
論文参考訳（メタデータ） (2020-08-12T11:30:23Z)
Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文参考訳（メタデータ） (2020-06-15T02:57:57Z)
Simple heuristics for efficient parallel tensor contraction and quantum circuit simulation [1.4416132811087747]
本稿では,確率モデルを用いたテンソルネットワークの縮約のための並列アルゴリズムを提案する。結果のアルゴリズムをランダム量子回路のシミュレーションに適用する。
論文参考訳（メタデータ） (2020-04-22T23:00:42Z)
Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。