論文の概要: Dual-Capability Machine Learning Models for Quantum Hamiltonian Parameter Estimation and Dynamics Prediction

• arxiv url: http://arxiv.org/abs/2405.13582v1
• Date: Wed, 22 May 2024 12:21:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-25 00:14:28.041281
• Title: Dual-Capability Machine Learning Models for Quantum Hamiltonian Parameter Estimation and Dynamics Prediction
• Title（参考訳）: 量子ハミルトンパラメータ推定とダイナミクス予測のためのデュアル能力機械学習モデル
• Authors: Zheng An, Jiahui Wu, Zidong Lin, Xiaobo Yang, Keren Li, Bei Zeng,
• Abstract要約: 本研究では,2つの機能を持つ機械学習モデルを提案する。 観測された局所観測値の変化から時間依存のハミルトンパラメータを推定することができる。 これはハミルトンのパラメータに基づいてこれらの可観測物の進化を予測することができる。
• 参考スコア（独自算出の注目度）: 2.142387003055715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in quantum hardware and classical computing simulations have significantly enhanced the accessibility of quantum system data, leading to an increased demand for precise descriptions and predictions of these systems. Accurate prediction of quantum Hamiltonian dynamics and identification of Hamiltonian parameters are crucial for advancements in quantum simulations, error correction, and control protocols. This study introduces a machine learning model with dual capabilities: it can deduce time-dependent Hamiltonian parameters from observed changes in local observables within quantum many-body systems, and it can predict the evolution of these observables based on Hamiltonian parameters. Our model's validity was confirmed through theoretical simulations across various scenarios and further validated by two experiments. Initially, the model was applied to a Nuclear Magnetic Resonance quantum computer, where it accurately predicted the dynamics of local observables. The model was then tested on a superconducting quantum computer with initially unknown Hamiltonian parameters, successfully inferring them. Our approach aims to enhance various quantum computing tasks, including parameter estimation, noise characterization, feedback processes, and quantum control optimization.
• Abstract（参考訳）: 量子ハードウェアと古典計算シミュレーションの最近の進歩は、量子システムデータのアクセシビリティを著しく向上させ、これらのシステムの正確な記述と予測に対する需要が増大した。 量子ハミルトン力学の正確な予測とハミルトンパラメータの同定は、量子シミュレーション、誤り訂正、制御プロトコルの進歩に不可欠である。 量子多体系における局所観測可能量の変化から時間依存ハミルトンパラメータを推定し、ハミルトンパラメータに基づいてこれらの観測可能量の進化を予測する。 モデルの有効性は,様々なシナリオの理論的シミュレーションによって確認され,さらに2つの実験により検証された。 当初、このモデルは核磁気共鳴量子コンピュータに応用され、そこで局所観測装置の力学を正確に予測した。 このモデルは、当初未知のハミルトンパラメータを持つ超伝導量子コンピュータ上でテストされ、それらを推測した。 本研究の目的は,パラメータ推定,ノイズ評価,フィードバックプロセス,量子制御最適化など,様々な量子コンピューティングタスクを強化することである。

関連論文リスト

• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• 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)
• Unified Quantum State Tomography and Hamiltonian Learning Using Transformer Models: A Language-Translation-Like Approach for Quantum Systems [0.47831562043724657]
  本稿では,量子状態トモグラフィとハミルトン学習を効果的に融合させるため,変圧器モデルに注意機構を取り入れた新しいアプローチを提案する。 簡単な2量子ビットの場合から、より複雑な2次元反強磁性ハイゼンベルク構造まで、様々な量子系におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-24T11:20:44Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Quantum Variational Learning of the Entanglement Hamiltonian [0.0]
  絡み合いハミルトニアン(EH)の構造を学ぶことは、アナログ量子シミュレーションにおける量子多体状態の特徴付けの中心である。 量子デバイス上で物理的に実現された多体ハミルトニアンの空間的変形が局所的なEHに対する効率的な変分アンサッツとして機能するプロトコルについて述べる。 我々は準1次元測地におけるフェルミ・ハッバードモデルの基底状態のプロトコルをシミュレートし、ビソニャーノ・ヴィヒマン予想とEHの優れた一致を見出した。
  論文  参考訳（メタデータ） (2021-05-10T12:54:50Z)
• Estimation of one-dimensional discrete-time quantum walk parameters by using machine learning algorithms [1.7396274240172125]
  本稿では1次元離散時間量子ウォークの進化に使用される量子コインパラメーターの推定について述べる。 私たちが実装したモデルでは、これらの進化パラメータを高い精度で推定できることを示す。
  論文  参考訳（メタデータ） (2020-07-09T06:08:16Z)
• 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)
• Direct reconstruction of the quantum master equation dynamics of a trapped ion qubit [0.0]
  本稿では,選択した可観測物の期待値の集合から直接,オープン量子系の力学方程式を再構成する手法を提案する。 自然光子散乱下での880textSr+$イオンのダイナミックスをシミュレーションおよび実験的に評価した。
  論文  参考訳（メタデータ） (2020-03-10T13:09:00Z)

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。