論文の概要: Quantum State Generation with Structure-Preserving Diffusion Model

• arxiv url: http://arxiv.org/abs/2404.06336v2
• Date: Sat, 25 May 2024 23:07:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 06:07:03.635751
• Title: Quantum State Generation with Structure-Preserving Diffusion Model
• Title（参考訳）: 構造保存拡散モデルによる量子状態生成
• Authors: Yuchen Zhu, Tianrong Chen, Evangelos A. Theodorou, Xie Chen, Molei Tao,
• Abstract要約: 本稿では、量子系の(混合)状態の生成モデリングについて考察する。 鍵となる貢献は、量子状態の物理的性質を尊重するアルゴリズム的な革新である。
• 参考スコア（独自算出の注目度）: 33.108168285414195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article considers the generative modeling of the (mixed) states of quantum systems, and an approach based on denoising diffusion model is proposed. The key contribution is an algorithmic innovation that respects the physical nature of quantum states. More precisely, the commonly used density matrix representation of mixed-state has to be complex-valued Hermitian, positive semi-definite, and trace one. Generic diffusion models, or other generative methods, may not be able to generate data that strictly satisfy these structural constraints, even if all training data do. To develop a machine learning algorithm that has physics hard-wired in, we leverage mirror diffusion and borrow the physical notion of von Neumann entropy to design a new map, for enabling strict structure-preserving generation. Both unconditional generation and conditional generation via classifier-free guidance are experimentally demonstrated efficacious, the latter enabling the design of new quantum states when generated on unseen labels.
• Abstract（参考訳）: 本稿では,量子系の混合状態の生成モデルについて考察し,拡散モデルに基づくアプローチを提案する。 鍵となる貢献は、量子状態の物理的性質を尊重するアルゴリズム的な革新である。 より正確には、混合状態の一般的な密度行列表現は複素値のエルミート、正の半定値、トレース 1 でなければならない。 ジェネリック拡散モデルや他の生成的手法は、たとえ全てのトレーニングデータが可能であるとしても、これらの構造的制約を厳密に満たすデータを生成することができないかもしれない。 物理系をハードワイヤリングした機械学習アルゴリズムを開発するために、鏡拡散を利用して、フォン・ノイマンエントロピーの物理概念を借りて新しい地図を設計し、厳密な構造保存生成を可能にする。 非条件生成と無分類化誘導による条件生成の両方が実験的に有効であることが示され、後者は未確認ラベルで生成された新しい量子状態の設計を可能にする。

関連論文リスト

• Quantum-Noise-Driven Generative Diffusion Models [1.6385815610837167]
  実量子システムで実験的に検証できる3つの量子ノイズ駆動生成拡散モデルを提案する。 アイデアは、特にコヒーレンス、絡み合い、ノイズの間の非自明な相互作用を、ユニークな量子的特徴を活用することである。 我々の結果は、新しい量子インスパイアされた、あるいは量子ベースの生成拡散アルゴリズムの道を開くことが期待されている。
  論文  参考訳（メタデータ） (2023-08-23T09:09:32Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Atomic structure generation from reconstructing structural fingerprints [1.2128971613239876]
  本稿では、原子中心対称性関数を表現として、条件付き変分オートエンコーダを生成モデルとして、エンドツーエンド構造生成手法を提案する。 我々は、概念実証として、サブナノメーターPtナノ粒子の新規で有効な原子構造を生成することに成功した。
  論文  参考訳（メタデータ） (2022-07-27T00:42:59Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Enhancing Generative Models via Quantum Correlations [1.6099403809839032]
  確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。 このような量子相関が生成モデリングの強力な資源となることを理論的に示す。 この分離を標準的な機械学習データセットで数値的にテストし、実用的な問題に耐えることを示します。
  論文  参考訳（メタデータ） (2021-01-20T22:57:22Z)
• A physics-informed operator regression framework for extracting data-driven continuum models [0.0]
  高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。 提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。 局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2020-09-25T01:13:51Z)
• State preparation and measurement in a quantum simulation of the O(3) sigma model [65.01359242860215]
  我々は,非線型O(3)シグマモデルの固定点が,格子サイトあたり2キュービットしか持たないスピンモデルの量子相転移付近で再現可能であることを示す。 本稿では,弱い結合状態と量子臨界状態の両方において,断熱的基底状態の準備が複雑になる結果を得るためにトロッター法を適用した。 非単位ランダム化シミュレーション法に基づく量子アルゴリズムの提案と解析を行う。
  論文  参考訳（メタデータ） (2020-06-28T23:44:12Z)
• Gaussian Process States: A data-driven representation of quantum many-body physics [59.7232780552418]
  我々は、絡み合った多体量子状態をコンパクトに表現するための、新しい非パラメトリック形式を示す。 この状態は、非常にコンパクトで、体系的に即効性があり、サンプリングに効率的である。 また、量子状態に対する普遍的な近似器として証明されており、データセットのサイズが大きくなるにつれて、絡み合った多体状態も捉えることができる。
  論文  参考訳（メタデータ） (2020-02-27T15:54:44Z)
• Embedded-physics machine learning for coarse-graining and collective variable discovery without data [3.222802562733787]
  基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。 原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。 本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
  論文  参考訳（メタデータ） (2020-02-24T10:28:41Z)

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。