論文の概要: Towards Symmetry-Aware Efficient Simulation of Quantum Systems and Beyond
- arxiv url: http://arxiv.org/abs/2303.11409v2
- Date: Fri, 17 Oct 2025 03:35:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-20 20:17:34.272119
- Title: Towards Symmetry-Aware Efficient Simulation of Quantum Systems and Beyond
- Title（参考訳）: 量子系の対称性を考慮した効率的なシミュレーションに向けて
- Authors: Min Chen, Minzhao Liu, Changhun Oh, Liang Jiang, Yuri Alexeev, Junyu Liu,
- Abstract要約: このパースペクティブは、物理インフォームドテンソルネットワークが量子シミュレーション、計算、機械学習におけるスケーラブルなアプローチの統一戦略を提供すると主張している。
同じ原理は一般的な対称性にまで拡張され、機械学習における同変ニューラルネットワークを刺激し、変分量子アルゴリズムにおける対称性保存アンサーゼを導く。
- 参考スコア（独自算出の注目度）: 12.07297035406401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The efficient simulation of complex quantum systems remains a central challenge due to the exponential growth of Hilbert space with system size. Tensor network methods have long been established as powerful approximation schemes, and their efficiency can be further enhanced by incorporating physics-informed priors. A prominent example is symmetry: recent progress on $U(1)$-symmetric tensor networks, accelerated on GPUs and scaled to supercomputers, shows how conserved charges induce block-sparse structures that reduce computational cost and enable larger simulations. The same principle extends to general symmetries, inspiring equivariant neural networks in machine learning and guiding symmetry-preserving ansatze in variational quantum algorithms. Beyond symmetry, physics-informed design also includes strategies such as hybrid tensor networks and parallel sequential circuits, which pursue efficiency from complementary principles. This Perspective argues that physics-informed tensor networks, grounded in both symmetry and beyond-symmetry insights, provide unifying strategies for scalable approaches in quantum simulation, computation, and machine learning.
- Abstract（参考訳）: 複素量子系の効率的なシミュレーションは、系の大きさを持つヒルベルト空間の指数的成長による中心的な課題である。
テンソルネットワーク法は以前から強力な近似スキームとして確立されており、物理インフォームドプリエントを組み込むことでその効率をさらに向上することができる。
U(1)$-symmetric tensor networkの最近の進歩はGPU上で加速され、スーパーコンピュータに拡張され、保存された電荷が計算コストを削減しより大きなシミュレーションを可能にするブロックスパース構造をいかに誘導するかを示している。
同じ原理は一般的な対称性にまで拡張され、機械学習における同変ニューラルネットワークを刺激し、変分量子アルゴリズムにおける対称性保存アンサーゼを導く。
対称性以外にも、物理インフォームドデザインには、相補的な原理から効率を追求するハイブリッドテンソルネットワークや並列シーケンシャル回路といった戦略も含まれている。
このパースペクティブは、対称性と超対称性の両方に基礎を置き、量子シミュレーション、計算、機械学習におけるスケーラブルなアプローチのための統一戦略を提供する、と論じている。
関連論文リスト
- Operator-basis Matrix Product State formalism for optical circuits [0.7499722271664147]
演算子基底行列積状態(MPS)という別のテンソルネットワークフレームワークを提案する。
MPSは、ユニタリ干渉計行列に符号化された量子光学回路の入出力関係を利用する。
我々はテンソルネットワークの柔軟性を利用して、偏微分可能性と光子損失を組み込むフォーマリズムを拡張した。
論文 参考訳（メタデータ） (2025-02-03T19:00:02Z) - 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。
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。