論文の概要: Learning Global Quantum Properties from Local Measurements with Neural
Networks
- arxiv url: http://arxiv.org/abs/2310.11807v2
- Date: Tue, 7 Nov 2023 10:14:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 18:52:46.920644
- Title: Learning Global Quantum Properties from Local Measurements with Neural
Networks
- Title(参考訳): ニューラルネットワークを用いた局所的測定からグローバル量子特性の学習
- Authors: Ya-Dong Wu, Yan Zhu, Yuexuan Wang and Giulio Chiribella
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.066900913839746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Characterizing the properties of multiparticle quantum systems is a crucial
task for quantum computing and many-body quantum physics. The task, however,
becomes extremely challenging when the system size becomes large and when the
properties of interest involve global measurements on a large number of sites.
Here we develop a multi-task neural network model that can accurately predict
global properties of many-body quantum systems, like string order parameters
and many-body topological invariants, using only limited measurement data
gathered from few neighbouring sites. The model can simultaneously predict
multiple quantum properties, including not only expectation values of quantum
observables, but also general nonlinear functions of the quantum state, such as
entanglement entropies. Remarkably, we find that multi-task training over a
given set of quantum properties enables our model to discover new properties
outside the original set. Without any labeled data, the model can perform
unsupervised classification of quantum phases of matter and uncover unknown
boundaries between different phases.
- Abstract(参考訳): 多粒子量子システムの特性を特徴づけることは、量子コンピューティングと多体量子物理学にとって重要な課題である。
しかし、システムのサイズが大きくなり、関心のある特性が多数のサイトにおけるグローバルな測定を伴う場合、タスクは極めて困難になる。
ここでは,周辺地域から収集される限られた測定データのみを用いて,文字列順序パラメータや多体位相不変量などの多体量子システムの大域的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する。
このモデルは、量子可観測体の期待値だけでなく、絡み合いエントロピーのような量子状態の一般的な非線形関数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。
ラベル付きデータなしでは、モデルは物質の量子位相の教師なし分類を行い、異なる位相間の未知の境界を明らかにすることができる。
関連論文リスト
- 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) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳(メタデータ) (2022-11-09T21:43:16Z) - Measuring Quantum Entanglement from Local Information by Machine
Learning [10.161394383081145]
絡み合いは量子技術の発展における鍵となる性質である。
本稿では,局所ハミルトニアンの平衡状態と非平衡状態の絡み合いを測定するためのニューラルネットワーク支援プロトコルを提案する。
論文 参考訳(メタデータ) (2022-09-18T08:15:49Z) - Entanglement Forging with generative neural network models [0.0]
ハイブリッド量子-古典的変分アンゼ」は、量子リソースオーバーヘッドを下げるために絡み合いを鍛えることができることを示す。
この方法は観測者の期待値の固定精度を達成するのに必要な測定値の数で効率的である。
論文 参考訳(メタデータ) (2022-05-02T14:29:17Z) - 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) - Quantum Neuronal Sensing of Quantum Many-Body States on a 61-Qubit
Programmable Superconducting Processor [17.470012490921192]
物質の性質と相の異なる多体量子状態の分類は、量子多体物理学における最も基本的な課題の1つである。
本稿では,量子ニューロンセンシングという新しいアプローチを提案する。
本手法は,2種類の多体現象を効率的に分類できることを示す。
論文 参考訳(メタデータ) (2022-01-16T03:20:04Z) - 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 Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-30T12:19:27Z) - Detecting quantum entanglement with unsupervised learning [5.136040801991848]
本研究では,量子特徴のない正規サンプルの凸性を利用し,教師なし機械学習法を設計,量子特徴を異常として検出する。
本研究では,疑似シメセネットワークとジェネレーション対向ネットからなる複雑値ニューラルネットワークを提案し,それを分離可能な状態のみで訓練し,絡み合う非線形の証人を構築する。
この結果はベル非局所性やステアビリティといった他の量子リソースの検出に容易に適用でき、高次元量子データに隠された量子特徴を抽出する強力なツールを提供できることを示唆する。
論文 参考訳(メタデータ) (2021-03-08T14:56:24Z) - Robust measurement of wave function topology on NISQ quantum computers [1.8523441396284195]
量子コンピュータ上での位相不変量を測定するための戦略を提案する。
我々の戦略は変分量子固有解法(VQE)と容易に統合でき、量子多体状態の位相的性質が現在の量子ハードウェア上で特徴づけられることを示す。
論文 参考訳(メタデータ) (2021-01-18T19:01:38Z) - 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。