論文の概要: Adaptive variational low-rank dynamics for open quantum systems

• arxiv url: http://arxiv.org/abs/2312.13676v1
• Date: Thu, 21 Dec 2023 08:57:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-22 15:27:11.741400
• Title: Adaptive variational low-rank dynamics for open quantum systems
• Title（参考訳）: 開量子系に対する適応変分低ランクダイナミクス
• Authors: Luca Gravina, Vincenzo Savona
• Abstract要約: 低エントロピーシステムの効率的なシミュレーションのための新しいモデル非依存手法を提案する。 本研究は,本手法の汎用性と効率性を強調し,多種多様なシステムに適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a novel, model-independent method for the efficient simulation of low-entropy systems, whose dynamics can be accurately described with a limited number of states. Our method leverages the time-dependent variational principle to efficiently integrate the Lindblad master equation, dynamically identifying and modifying the low-rank basis over which we decompose the system's evolution. By dynamically adapting the dimension of this basis, and thus the rank of the density matrix, our method maintains optimal representation of the system state, offering a substantial computational advantage over existing adaptive low-rank schemes in terms of both computational time and memory requirements. We demonstrate the efficacy of our method through extensive benchmarks on a variety of model systems, with a particular emphasis on multi-qubit bosonic codes, a promising candidate for fault-tolerant quantum hardware. Our results highlight the method's versatility and efficiency, making it applicable to a wide range of systems characterized by arbitrary degrees of entanglement and moderate entropy throughout their dynamics. We provide an implementation of the method as a Julia package, making it readily available to use.
• Abstract（参考訳）: 低エントロピー系の効率的なシミュレーションのための新しいモデル非依存手法を提案し、その力学を限られた数の状態で正確に記述することができる。 本手法は時間依存変動原理を利用してリンドブラッドマスター方程式を効率的に積分し,システムの進化を分解する低ランク基底を動的に同定・修正する。 この基底の次元を動的に適応させることにより、密度行列のランクはシステム状態の最適表現を維持し、計算時間とメモリ要求の両方の観点から既存の適応低ランクスキームよりもかなりの計算上の優位性を提供する。 種々のモデルシステム上での広範なベンチマークによる本手法の有効性を実証し,特にフォールトトレラント量子ハードウェアの候補となる多ビットボソニック符号に着目した。 提案手法の汎用性と効率性を強調し,任意のエンタングルメントの度合いとエントロピーの度合いを特徴とする幅広いシステムに適用できることを示した。 このメソッドはjuliaパッケージとして実装されており、簡単に利用することができる。

関連論文リスト

• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Neural Projected Quantum Dynamics: a systematic study [0.0]
  ニューラル量子状態を用いた大規模システムにおけるユニタリ量子力学のシミュレーションの課題に対処する。 この研究は、予測時間依存変分モンテカルロ法(p-tVMC)の包括的な形式化を提供する。
  論文  参考訳（メタデータ） (2024-10-14T17:01:33Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Variational dynamics of open quantum systems in phase space [0.0]
  本稿では,大容量駆動散逸多体オープン量子系の力学をシミュレートする手法を提案する。 本稿では, 非線形性の弱いBose-Hubbardモデルの物理に関する原理的な研究の証明を示す。
  論文  参考訳（メタデータ） (2023-07-14T15:48:31Z)
• Benchmarking sparse system identification with low-dimensional chaos [1.5849413067450229]
  カオスシステムのダイエット標準化データベースを利用して,スパース回帰変種を系統的にベンチマークする。 我々は,このオープンソースツールを用いて,システム識別の異なる手法を定量的に比較する方法を実証する。 いずれの場合も,SINDyの雑音頑健性を改善し,統計的比較を行うためにアンサンブルを用いた。
  論文  参考訳（メタデータ） (2023-02-04T18:49:52Z)
• Controlling quantum many-body systems using reduced-order modelling [0.0]
  本稿では,多体量子システムにおける制御問題のクラスを解くための効率的な手法を提案する。 もともとのサブシステムの「デジタルツイン」と見なされる、そのような縮小順序モデルの力学のシミュレーションは、はるかに効率的である。 この結果は、多体システムの研究、非自明な準粒子特性の探索、および量子コンピューティングデバイスの開発管理ツールに直接応用される。
  論文  参考訳（メタデータ） (2022-11-01T13:58:44Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。