論文の概要: Predicting Ground State Properties: Constant Sample Complexity and Deep Learning Algorithms
- arxiv url: http://arxiv.org/abs/2405.18489v1
- Date: Tue, 28 May 2024 18:00:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-30 22:13:00.902521
- Title: Predicting Ground State Properties: Constant Sample Complexity and Deep Learning Algorithms
- Title（参考訳）: 基底状態特性の予測:定数サンプル複雑度とディープラーニングアルゴリズム
- Authors: Marc Wanner, Laura Lewis, Chiranjib Bhattacharyya, Devdatt Dubhashi, Alexandru Gheorghiu,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 48.869199703062606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A fundamental problem in quantum many-body physics is that of finding ground states of local Hamiltonians. A number of recent works gave provably efficient machine learning (ML) algorithms for learning ground states. Specifically, [Huang et al. Science 2022], introduced an approach for learning properties of the ground state of an $n$-qubit gapped local Hamiltonian $H$ from only $n^{\mathcal{O}(1)}$ data points sampled from Hamiltonians in the same phase of matter. This was subsequently improved by [Lewis et al. Nature Communications 2024], to $\mathcal{O}(\log n)$ samples when the geometry of the $n$-qubit system is known. In this work, we introduce two approaches that achieve a constant sample complexity, independent of system size $n$, for learning ground state properties. Our first algorithm consists of a simple modification of the ML model used by Lewis et al. and applies to a property of interest known beforehand. Our second algorithm, which applies even if a description of the property is not known, is a deep neural network model. While empirical results showing the performance of neural networks have been demonstrated, to our knowledge, this is the first rigorous sample complexity bound on a neural network model for predicting ground state properties. We also perform numerical experiments that confirm the improved scaling of our approach compared to earlier results.
- Abstract（参考訳）: 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。
最近の多くの研究は、基底状態の学習に証明可能な効率的な機械学習(ML)アルゴリズムを提供した。
具体的には、[Huang et al Science 2022] は、同じ状態のハミルトンからサンプリングされたデータポイントに対して、$n$-qubitのギャップを持つ局所ハミルトン$H$の基底状態の学習方法を導入した。
その後、[Lewis et al Nature Communications 2024] によって$n$-qubit 系の幾何が知られているとき、$\mathcal{O}(\log n)$サンプルに改良された。
本研究では, 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ための2つのアプローチを提案する。
我々の最初のアルゴリズムは、Lewis et al が使用するMLモデルの簡単な修正から成り、前もって知られていた利害関係に適用される。
我々の第2のアルゴリズムは、たとえその特性の説明がわからないとしても適用され、ディープニューラルネットワークモデルである。
ニューラルネットワークの性能を示す実験結果が実証されているが、我々の知る限り、これは基底状態特性を予測するニューラルネットワークモデルに束縛された初めての厳密なサンプル複雑性である。
また,従来の結果と比較して,提案手法のスケーリング改善を確認する数値実験を行った。
関連論文リスト
- Improved machine learning algorithm for predicting ground state
properties [3.156207648146739]
幾何学的局所性を符号化した帰納バイアスを用いて基底状態特性を予測するための古典的機械学習(ML)アルゴリズムを提案する。
提案したMLモデルは,$mathcalO(log(n))$データのみから学習した後に,$n$-qubitの局所ハミルトンの基底状態特性を効率的に予測することができる。
論文 参考訳（メタデータ） (2023-01-30T18:40:07Z) - Learning to predict arbitrary quantum processes [7.69390398476646]
我々は、未知の量子過程を$n$ qubitsで予測するための効率的な機械学習(ML)アルゴリズムを提案する。
本結果は,複雑な量子力学の出力を,プロセス自体の実行時間よりもはるかに高速に予測するMLモデルの可能性を強調した。
論文 参考訳（メタデータ） (2022-10-26T17:52:59Z) - Quantum-Inspired Tempering for Ground State Approximation using
Artificial Neural Networks [0.0]
そこで本研究では,局所的なミニマムからの脱出を容易にする並列テンパリング手法を提案する。
量子並列テンパリングによるトレーニングの強化は、問題インスタンスの基底状態に対する良い近似を見つけるのに有用であることを示す。
論文 参考訳（メタデータ） (2022-10-20T16:50:32Z) - 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) - Scalably learning quantum many-body Hamiltonians from dynamical data [1.702884126441962]
動的データから多体ハミルトニアンと相互作用する家族を学習するための、高度にスケーラブルでデータ駆動のアプローチを導入する。
当社のアプローチは非常に実用的で,実験的にフレンドリで,本質的にスケーラブルで,100スピンを超えるシステムサイズを実現しています。
論文 参考訳（メタデータ） (2022-09-28T18:00:57Z) - A single $T$-gate makes distribution learning hard [56.045224655472865]
この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。
ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
論文 参考訳（メタデータ） (2022-07-07T08:04:15Z) - 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) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - Shuffling Recurrent Neural Networks [97.72614340294547]
隠れ状態 $h_t$ を以前の隠れ状態 $h_t-1$ のベクトル要素を置換することにより、隠れ状態 $h_t$ が得られる新しいリカレントニューラルネットワークモデルを提案する。
私たちのモデルでは、予測は第2の学習関数によって与えられ、隠された状態 $s(h_t)$ に適用されます。
論文 参考訳（メタデータ） (2020-07-14T19:36:10Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。