Fugu-MT 論文翻訳(概要): Efficient Hamiltonian learning from Gibbs states

論文の概要: Efficient Hamiltonian learning from Gibbs states

arxiv url: http://arxiv.org/abs/2403.18061v2
Date: Mon, 23 Sep 2024 20:01:51 GMT
ステータス: 処理完了
システム内更新日: 2024-11-09 03:37:10.017964
Title: Efficient Hamiltonian learning from Gibbs states
Title（参考訳）: ギブス状態からの効率的なハミルトン学習
Authors: Adam Artymowicz,
Abstract要約: 自由エネルギー変動原理を用いて,ギブス状態の局所的な期待値からハミルトニアンを学習するアルゴリズムについて述べる。このアルゴリズムは、自由エネルギーを直接計算する必要を回避し、代わりに状態の摂動に関する自由エネルギーの導関数の効率的な推定を使用する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We describe a novel algorithm that learns a Hamiltonian from local expectations of its Gibbs state using the free energy variational principle. The algorithm avoids the need to compute the free energy directly, instead using efficient estimates of the derivatives of the free energy with respect to perturbations of the state. These estimates are based on a new entropy bound for Lindblad evolutions, which is of independent interest. We benchmark the algorithm by performing black-box learning of a nearest-neighbour Hamiltonian on a 100-qubit spin chain. A implementation of the algorithm with a Python front-end is made available for use.
Abstract（参考訳）: 自由エネルギー変動原理を用いて,ギブス状態の局所的な期待値からハミルトニアンを学習するアルゴリズムについて述べる。このアルゴリズムは、自由エネルギーを直接計算する必要を回避し、代わりに状態の摂動に関する自由エネルギーの導関数の効率的な推定を使用する。これらの推定は、独立な興味を持つリンドブラッド進化の新たなエントロピー境界に基づいている。我々は,100kbitのスピンチェーン上で最近傍のハミルトンのブラックボックス学習を行うことで,アルゴリズムをベンチマークする。 Pythonフロントエンドによるアルゴリズムの実装が利用可能である。

関連論文リスト

Predicting Ground State Properties: Constant Sample Complexity and Deep Learning Algorithms [48.869199703062606]
量子多体物理学における基本的な問題は、局所ハミルトニアンの基底状態を見つけることである。基底状態特性を学習するためのシステムサイズ$n$とは無関係に,一定のサンプル複雑性を実現する2つのアプローチを導入する。
論文参考訳（メタデータ） (2024-05-28T18:00:32Z)
Neural Time-Reversed Generalized Riccati Equation [60.92253836775246]
ハミルトン方程式は、コストテートとして知られる補助変数を通して最適性の解釈を提供する。本稿では,前向きに作業することを目的とした,新しいニューラルベースによる最適制御手法を提案する。
論文参考訳（メタデータ） (2023-12-14T19:29:37Z)
An efficient and exact noncommutative quantum Gibbs sampler [0.0]
任意の非可換ハミルトニアンのギブス状態に対して、効率よく実装可能で正確に詳細バランスの取れたリンドブラディアンを初めて構築する。我々の構成は、メトロポリス・ハスティングスアルゴリズムの連続時間量子アナログと見なすこともできる。
論文参考訳（メタデータ） (2023-11-15T18:51:24Z)
Learning Regularized Monotone Graphon Mean-Field Games [155.38727464526923]
正規化グラフィオン平均フィールドゲーム(GMFG)の基本問題について検討する。我々は、$lambda$-regularized GMFG の Nash Equilibrium (NE) の存在を確立する。弱い単調なGMFGでNEを学習するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-12T07:34:13Z)
Hamiltonian learning from time dynamics using variational algorithms [3.3269356210613656]
量子系のハミルトニアンはシュロディンガー方程式を通じて系の力学を支配している。本稿では,時系列データセットを構成するランダム状態の可測値を用いて,ハミルトニアンをパウリ基底で再構成する。本稿では, XX, ZZ結合を含むハミルトニアンについて, 横場イジング・ハミルトニアンとともに, SU(3) 群の生成元からなるハミルトニアンを学習するための解析的手法を提案する。
論文参考訳（メタデータ） (2022-12-28T05:22:57Z)
Learning many-body Hamiltonians with Heisenberg-limited scaling [3.460138063155115]
N$-qubit 局所ハミルトニアンの相互作用を学習するためのハイゼンベルク限界を達成するアルゴリズムを提案する。総進化時間$mathcalO(epsilon-1)$の後に、提案アルゴリズムは高い確率で$N$-qubit Hamiltonianのパラメータを$epsilon$-errorに効率的に推定することができる。
論文参考訳（メタデータ） (2022-10-06T16:30:51Z)
Continuous-Time Fitted Value Iteration for Robust Policies [93.25997466553929]
ハミルトン・ヤコビ・ベルマン方程式の解法は、制御、ロボティクス、経済学を含む多くの領域において重要である。連続適合値反復(cFVI)とロバスト適合値反復(rFVI)を提案する。これらのアルゴリズムは、多くの連続制御問題の非線形制御-アフィンダイナミクスと分離可能な状態とアクション報酬を利用する。
論文参考訳（メタデータ） (2021-10-05T11:33:37Z)
Quantum algorithm for time-dependent Hamiltonian simulation by permutation expansion [6.338178373376447]
時間依存ハミルトニアンの力学シミュレーションのための量子アルゴリズムを提案する。アルゴリズムのコストはハミルトニアン周波数に依存しないことを示す。
論文参考訳（メタデータ） (2021-03-29T05:02:02Z)
A Hybrid Quantum-Classical Hamiltonian Learning Algorithm [6.90132007891849]
ハミルトン学習は、量子デバイスと量子シミュレータの認定に不可欠である。本研究では,ハミルトニアン作用素の係数を求めるために,ハイブリッド量子古典ハミルトン学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-01T15:15:58Z)
A Polynomial Time Algorithm for Learning Halfspaces with Tsybakov Noise [55.45544638410858]
本研究では,Tsybakovノイズの存在下でのPAC学習の相同性半空間の問題について検討する。我々のアルゴリズムは、任意の精度$epsilon$で真のハーフスペースを学習する。
論文参考訳（メタデータ） (2020-10-04T22:19:06Z)
Neural Thompson Sampling [94.82847209157494]
本稿では,ニューラルトンプソンサンプリング(Neural Thompson Smpling)と呼ばれる新しいアルゴリズムを提案する。我々のアルゴリズムの中核は報酬の新たな後部分布であり、その平均はニューラルネットワーク近似器であり、その分散は対応するニューラルネットワークのニューラル・タンジェントな特徴に基づいて構築されている。
論文参考訳（メタデータ） (2020-10-02T07:44:09Z)

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。