論文の概要: Entanglement transition in deep neural quantum states

• arxiv url: http://arxiv.org/abs/2312.11941v1
• Date: Tue, 19 Dec 2023 08:40:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 16:23:22.539415
• Title: Entanglement transition in deep neural quantum states
• Title（参考訳）: 深い神経量子状態における絡み合い遷移
• Authors: Giacomo Passetti and Dante M. Kennes
• Abstract要約: 深部ニューラルネットワークにおける情報伝達が深部神経量子状態の物理的絡み合い特性にどのように影響するかを示す。 このブリッジにより、領域と体積法が絡み合った状態を表すために最適な神経量子状態ハイパーパラメーターレギュレーションを特定できる。 正確な量子状態表現のためのネットワーク構成の理解の進歩は、容積法則量子状態を扱う効果的な表現を開発するのに役立ちます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the huge theoretical potential of neural quantum states, their use in describing generic, highly-correlated quantum many-body systems still often poses practical difficulties. Customized network architectures are under active investigation to address these issues. For a guided search of suited network architectures a deepened understanding of the link between neural network properties and attributes of the physical system one is trying to describe, is imperative. Drawing inspiration from the field of machine learning, in this work we show how information propagation in deep neural networks impacts the physical entanglement properties of deep neural quantum states. In fact, we link a previously identified information propagation phase transition of a neural network to a similar transition of entanglement in neural quantum states. With this bridge we can identify optimal neural quantum state hyperparameter regimes for representing area as well as volume law entangled states. The former are easily accessed by alternative methods, such as tensor network representations, at least in low physical dimensions, while the latter are challenging to describe generally due to their extensive quantum entanglement. This advance of our understanding of network configurations for accurate quantum state representation helps to develop effective representations to deal with volume-law quantum states, and we apply these findings to describe the ground state (area law state) vs. the excited state (volume law state) properties of the prototypical next-nearest neighbor spin-1/2 Heisenberg model.
• Abstract（参考訳）: 神経量子状態の巨大な理論的ポテンシャルにもかかわらず、汎用的で高相関の量子多体系を記述する上での使用は、実際的な困難を引き起こすことが多い。 カスタムネットワークアーキテクチャは、これらの問題に対処するために活発に調査されている。 適切なネットワークアーキテクチャのガイド付き検索では、ニューラルネットワークの特性と、記述しようとしている物理システムの属性とのリンクを深く理解することが不可欠である。 機械学習の分野からインスピレーションを得たこの研究は、ディープニューラルネットワークにおける情報の伝播がディープニューラルネットワーク量子状態の物理的絡み合い特性にどのように影響するかを示す。 実際、ニューラルネットワークの予め特定された情報伝達相転移と、神経量子状態におけるエンタングルメントの同様の遷移をリンクする。 このブリッジにより、領域と体積法が絡み合った状態を表すために最適な神経量子状態ハイパーパラメーターレギュレーションを特定できる。 前者はテンソルネットワーク表現のような別の方法によって、少なくとも低次元において容易にアクセスされ、後者は、その広範囲な量子的絡み合いのために一般的に記述することが困難である。 量子状態の正確な表現に対するネットワーク構成の理解の進歩は、体積則量子状態を扱う効果的な表現を開発するのに役立ち、これらの知見を次亜音速スピン-1/2ハイゼンベルク模型の基底状態(領域法状態)と励起状態(体積法状態)の性質を記述するために応用する。

関連論文リスト

• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• Emergence of global receptive fields capturing multipartite quantum correlations [0.565473932498362]
  量子物理学において、波動関数レベルで明確に定義された構造を持つ単純なデータでさえ、非常に複雑な相関によって特徴づけられる。 量子統計学を学習しながら、ニューラルネットワークの重み空間をモニタリングすることで、複雑な多部パターンに関する物理的直観を発達させることができることを示す。 この結果から,非局所パターンを用いたデータ処理のための畳み込みニューラルネットワークの構築について,新たな知見が得られた。
  論文  参考訳（メタデータ） (2024-08-23T12:45:40Z)
• Universal Quantum Tomography With Deep Neural Networks [0.0]
  純量子状態トモグラフィーと混合量子状態トモグラフィーの両方に対する2つのニューラルネットワークに基づくアプローチを提案する。 提案手法は,実験データから混合量子状態の再構成を行なえることを示す。
  論文  参考訳（メタデータ） (2024-07-01T19:09:18Z)
• Entanglement-Assisted Quantum Networks: Mechanics, Enabling Technologies, Challenges, and Research Directions [66.27337498864556]
  本稿では,量子ネットワークの絡み合いに関する包括的調査を行う。 ネットワーク構造、作業原則、開発段階の詳細な概要を提供する。 また、アーキテクチャ設計、絡み合いに基づくネットワーク問題、標準化など、オープンな研究の方向性を強調している。
  論文  参考訳（メタデータ） (2023-07-24T02:48:22Z)
• Can neural quantum states learn volume-law ground states? [0.0]
  本研究では,多層フィードフォワードネットワークに基づくニューラルネットワークの量子状態が,ボリューム-ローエンタングルメントエントロピーを示す基底状態を見つけることができるかを検討した。 このモデルの基礎状態を表すために、浅層および深層フィードフォワードのネットワークは指数関数的な数のパラメータを必要とすることがわかった。
  論文  参考訳（メタデータ） (2022-12-05T12:26:20Z)
• 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)
• Are classical neural networks quantum? [0.0]
  ニューラルネットワークは、波動関数の近似として、多くの粒子系の状態空間の探索を改善するために使用されている。 ここでは、システムを量子化する理由と、ニューラルネットワークが量子残基を持つと解釈できる範囲について論じます。
  論文  参考訳（メタデータ） (2022-05-31T09:33:51Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)
• 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。