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

• Tensor Network Formulation of Dequantized Algorithms for Ground State Energy Estimation [2.9436347471485558]
  量子化アルゴリズムは、量子および古典的アルゴリズムの複雑さを分離するための明確な理論的枠組みを提供する上で中心的な役割を果たす。 既存のdequantizedアルゴリズムはサンプリング手順に依存しており、計算オーバーヘッドは極めて大きい。 本稿では,従来の復号化アルゴリズムの複雑さを保ちながらサンプリング処理を不要とする,GSEEのためのテンソルネットワークベースの復号化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-15T17:07:04Z)
• 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)
• Unification of Finite Symmetries in Simulation of Many-body Systems on Quantum Computers [2.755415305274264]
  本稿では,量子コンピュータ上に対称群変換を導入し,多体系をシミュレートする枠組みを提案する。 我々のアプローチの核は対称性適応射影のための効率的な量子回路の開発にある。 具体的には、ノイズのあるハードウェア上での第一量子化において、小さな分子に対する対称性適応量子サブルーチンを実行する。
  論文  参考訳（メタデータ） (2024-11-07T18:06:16Z)
• 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)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• 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)
• Semicoherent Symmetric Quantum Processes: Theory and Applications [3.6190123930006317]
  我々は、$varepsilon$-approximateプロセスと半コヒーレントな文脈における正確な対称性の間の相互作用を考察する。 我々の研究は、量子力学の制御に対称性をどのように利用できるか、より深く理解し、より深い評価の道を開く。
  論文  参考訳（メタデータ） (2024-03-08T17:33:33Z)
• Efficient quantum algorithms for testing symmetries of open quantum systems [17.55887357254701]
  量子力学では、対称性を利用して物理的遷移を識別することで自由度を除去することができる。 従来の研究は、忠実度に基づく対称性測定によって対称性を確かめるための量子アルゴリズムの考案に重点を置いてきた。 量子コンピュータ上で効率よく実装可能な量子アルゴリズムの代替対称性試験法を開発した。
  論文  参考訳（メタデータ） (2023-09-05T18:05:26Z)
• Tensor Networks or Decision Diagrams? Guidelines for Classical Quantum Circuit Simulation [65.93830818469833]
  テンソルネットワークと決定図は、異なる視点、用語、背景を念頭に、独立して開発されている。 これらの手法が古典的量子回路シミュレーションにどのようにアプローチするかを考察し、最も適用可能な抽象化レベルに関してそれらの相似性を考察する。 量子回路シミュレーションにおいて,テンソルネットワークの使い勝手の向上と決定図の使い勝手の向上に関するガイドラインを提供する。
  論文  参考訳（メタデータ） (2023-02-13T19:00:00Z)
• 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)
• Symmetric Pruning in Quantum Neural Networks [111.438286016951]
  量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。 ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。 本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
  論文  参考訳（メタデータ） (2022-08-30T08:17:55Z)
• 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)
• Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
  決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。 我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-01T19:00:11Z)
• 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)
• 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)
• Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation [5.668795025564699]
  オープン量子システムのダイナミクスに対処するためのアプローチを提案する。 自己回帰変換ニューラルネットワークを用いて量子状態をコンパクトに表現する。 効率的なアルゴリズムは、リウヴィリア超作用素の力学をシミュレートするために開発された。
  論文  参考訳（メタデータ） (2020-09-11T18:00:00Z)
• 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。