論文の概要: RydbergGPT

• arxiv url: http://arxiv.org/abs/2405.21052v1
• Date: Fri, 31 May 2024 17:44:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-03 13:09:46.764781
• Title: RydbergGPT
• Title（参考訳）: RydbergGPT
• Authors: David Fitzek, Yi Hong Teoh, Hin Pok Fung, Gebremedhin A. Dagnew, Ejaaz Merali, M. Schuyler Moss, Benjamin MacLellan, Roger G. Melko,
• Abstract要約: 我々は、中性原子配列量子コンピュータの測定結果の学習を目的として、GPT(Generative Pretained Transformer)を導入する。 バニラ変換器をベースとして、我々のエンコーダデコーダアーキテクチャは相互作用するハミルトニアンを入力として、量子ビット測定確率の自己回帰列を出力する。
• 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 introduce a generative pretained transformer (GPT) designed to learn the measurement outcomes of a neutral atom array quantum computer. Based on a vanilla transformer, our encoder-decoder architecture takes as input the interacting Hamiltonian, and outputs an autoregressive sequence of qubit measurement probabilities. Its performance is studied in the vicinity of a quantum phase transition in Rydberg atoms in a square lattice array. We explore the ability of the architecture to generalize, by producing groundstate measurements for Hamiltonian parameters not seen in the training set. We focus on examples of physical observables obtained from inference on three different models, trained in fixed compute time on a single NVIDIA A100 GPU. These can act as benchmarks for the scaling of larger RydbergGPT models in the future. Finally, we provide RydbergGPT open source, to aid in the development of foundation models based off of a wide variety of quantum computer interactions and data sets in the future.
• Abstract（参考訳）: 我々は、中性原子配列量子コンピュータの測定結果の学習を目的として、GPT(Generative Pretained Transformer)を導入する。 バニラ変換器をベースとして、我々のエンコーダデコーダアーキテクチャは相互作用するハミルトニアンを入力として、量子ビット測定確率の自己回帰列を出力する。 その性能は、正方格子アレイ内のリドベルク原子の量子相転移の近傍で研究されている。 我々は、トレーニングセットにないハミルトンパラメータの基底状態測定を作成することによって、アーキテクチャが一般化する能力について検討する。 我々は,NVIDIA A100 GPUを1つのGPUで固定計算時間でトレーニングした,3つの異なるモデルに対する推論から得られる物理オブザーバブルの例に注目した。 これらは将来、より大きなRydbergGPTモデルのスケーリングのベンチマークとして機能する。 最後に、RydbergGPTオープンソースを提供し、将来、様々な量子コンピュータの相互作用とデータセットに基づく基礎モデルの開発を支援する。

関連論文リスト

• ShadowGPT: Learning to Solve Quantum Many-Body Problems from Randomized Measurements [2.1946359779523332]
  本稿では,量子実験から収集したランダム化測定データから学習することで,量子多体問題を解く新しい手法であるShadowGPTを提案する。 このモデルは量子ハミルトニアンの基底状態のシミュレーションされた古典的影データに基づいて訓練された生成前訓練変圧器(GPT)である。
  論文  参考訳（メタデータ） (2024-11-05T17:34:03Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• 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)
• Variational waveguide QED simulators [58.720142291102135]
  導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。 ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
  論文  参考訳（メタデータ） (2023-02-03T18:55:08Z)
• 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)
• Microwave-engineering of programmable XXZ Hamiltonians in arrays of Rydberg atoms [0.0]
  我々は、Rydberg原子と周期マイクロ波場の間の共鳴双極子-双極子相互作用を用いて、可変異方性を持つXXZスピンハミルトニアンを工学する。 原子は1Dと2Dの光学的ツイーザの中に配置され、スピン物理学の象徴的な状況を研究することができる。 まず、2つの原子についてハミルトン工学をベンチマークし、最初に磁化された2Dアレイ上で磁化の凍結を実証した。
  論文  参考訳（メタデータ） (2021-07-30T07:05:51Z)
• Quantum evolution kernel : Machine learning on graphs with programmable arrays of qubits [0.0]
  本稿では,量子系の時間進化に基づいて,グラフ構造データ間の類似度を測定する手法を提案する。 システムのハミルトニアンにおける入力グラフの位相を符号化することにより、進化はデータの重要な特徴を保持する測定サンプルを生成する。 本手法は,典型的なベンチマークデータセット上での標準グラフカーネルと比較して性能がよいことを示す。
  論文  参考訳（メタデータ） (2021-07-07T14:25:18Z)
• Perils of Embedding for Quantum Sampling [0.0]
  一般的なアプローチは、希望するハミルトニアンをネイティブハミルトニアンに埋め込むことである。 ここでは、横場イジングモデルにおける量子熱サンプリングについて考察する。 我々は、従来よりはるかに大きなサイズとより大きな横フィールド強度を持つシステムをシミュレートする。
  論文  参考訳（メタデータ） (2021-03-12T01:49:52Z)
• Deep neural network predicts parameters of quantum many-body Hamiltonians by learning visualized wave-functions [0.0]
  畳み込みニューラルネットワーク(CNN)は相互作用するハミルトンの物理的パラメータを予測することができることを示す。 地上状態を画像として視覚化するQubism Mapと、対象の物理パラメータに画像をマッピングするCNNの2つの主要部分からなるQubismNetを提案する。
  論文  参考訳（メタデータ） (2020-12-05T12:22:12Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• Simulating nonnative cubic interactions on noisy quantum machines [65.38483184536494]
  量子プロセッサは、ハードウェアに固有のものではないダイナミクスを効率的にシミュレートするためにプログラムできることを示す。 誤差補正のないノイズのあるデバイスでは、モジュールゲートを用いて量子プログラムをコンパイルするとシミュレーション結果が大幅に改善されることを示す。
  論文  参考訳（メタデータ） (2020-04-15T05:16:24Z)

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。