論文の概要: Transformer neural networks and quantum simulators: a hybrid approach for simulating strongly correlated systems
- arxiv url: http://arxiv.org/abs/2406.00091v1
- Date: Fri, 31 May 2024 17:55:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 08:43:16.468544
- Title: Transformer neural networks and quantum simulators: a hybrid approach for simulating strongly correlated systems
- Title（参考訳）: 変圧器ニューラルネットと量子シミュレーター:強相関系シミュレーションのためのハイブリッドアプローチ
- Authors: Hannah Lange, Guillaume Bornet, Gabriel Emperauger, Cheng Chen, Thierry Lahaye, Stefan Kienle, Antoine Browaeys, Annabelle Bohrdt,
- Abstract要約: 本稿では、数値データや実験データによるデータ駆動事前学習と、ハミルトン駆動最適化の第2段階を含む、ニューラル量子状態(NQS)のハイブリッド最適化手法を提案する。
我々の研究は、ニューラル量子状態の信頼性と効率的な最適化の道を開いた。
- 参考スコア（独自算出の注目度）: 1.6494451064539348
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Owing to their great expressivity and versatility, neural networks have gained attention for simulating large two-dimensional quantum many-body systems. However, their expressivity comes with the cost of a challenging optimization due to the in general rugged and complicated loss landscape. Here, we present a hybrid optimization scheme for neural quantum states (NQS) that involves a data-driven pretraining with numerical or experimental data and a second, Hamiltonian-driven optimization stage. By using both projective measurements from the computational basis as well as expectation values from other measurement configurations such as spin-spin correlations, our pretraining gives access to the sign structure of the state, yielding improved and faster convergence that is robust w.r.t. experimental imperfections and limited datasets. We apply the hybrid scheme to the ground state search for the 2D transverse field Ising model and the 2D dipolar XY model on $6\times 6$ and $10\times 10$ square lattices with a patched transformer wave function, using numerical and experimental data from a programmable Rydberg quantum simulator [Chen et al., Nature 616 (2023)], with snapshots of the quantum system obtained from the different measurement configurations, and show that the information from the second basis highly improves the performance. Our work paves the way for a reliable and efficient optimization of neural quantum states.
- Abstract（参考訳）: その表現性と汎用性のために、ニューラルネットワークは大規模な2次元量子多体系をシミュレートするために注目を集めている。
しかし、その表現力は、一般に粗く複雑な損失の状況のため、挑戦的な最適化のコストが伴う。
本稿では、数値または実験データを用いたデータ駆動事前学習と、ハミルトン駆動最適化の第2段階を含む、ニューラル量子状態(NQS)のハイブリッド最適化手法を提案する。
スピンスピン相関などの他の測定条件からの予測値と計算ベースからの予測値の両方を用いることで、事前学習により状態のサイン構造にアクセスでき、堅牢な実験的不完全性や限られたデータセットに対してより高速な収束が得られる。
このハイブリッドスキームを,プログラム可能なRydberg量子シミュレータ(Chen et al , Nature 616 (2023))の数値および実験データを用いて,6-times 6$ and 10\times 10$ square lattices with a patched transformer wave function, using the numerical and experimental data from a Programmable Rydberg quantum simulator [Chen et al , Nature 616 (2023)], with the snapshots of the quantum system obtained from the different Measurements and show that the second basis from the information to the performance。
我々の研究は、ニューラル量子状態の信頼性と効率的な最適化の道を開いた。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - 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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Deep Neural Networks as Variational Solutions for Correlated Open
Quantum Systems [0.0]
より強力なモデルで直接密度行列をパラメータ化することで、より良い変分アンザッツ関数が得られることを示す。
本稿では, 散逸的一次元逆場イジングモデルと2次元散逸的ハイゼンベルクモデルについて述べる。
論文 参考訳（メタデータ） (2024-01-25T13:41:34Z) - Physics-informed Neural Networks for Encoding Dynamics in Real Physical
Systems [0.0]
この論文は、制御方程式を符号化する候補モデルとして物理情報ニューラルネットワーク(PINN)を調査する。
振り子システムでは、PINNは理想的なデータケースにおいて同等の非情報ニューラルネットワーク(NN)よりも優れていた。
実験から収集した実データと類似したテストケースでは、PINNは、67の線形空間と均一に分散されたランダムポイントに対して、9.3xと9.1xの精度でNNよりも優れていた。
論文 参考訳（メタデータ） (2024-01-07T16:19:28Z) - Enhancing variational Monte Carlo using a programmable quantum simulator [0.3078264203938486]
本研究では, 量子物質のシリカシミュレーションにおいて, 射影測定データを用いることが可能であることを示す。
我々はデータ強化型変分モンテカルロを用いて、リカレントニューラルネットワークに基づいて強力な自己回帰波動関数アンゼを訓練する。
我々の研究は、量子多体系の大規模シミュレーションのためのハイブリッド量子-古典的アプローチの可能性を強調している。
論文 参考訳（メタデータ） (2023-08-04T18:08:49Z) - Quantum HyperNetworks: Training Binary Neural Networks in Quantum
Superposition [16.1356415877484]
量子コンピュータ上でバイナリニューラルネットワークをトレーニングするメカニズムとして量子ハイパーネットを導入する。
提案手法は, 最適パラメータ, ハイパーパラメータ, アーキテクチャ選択を, 分類問題に対する高い確率で効果的に発見できることを示す。
私たちの統合されたアプローチは、機械学習の分野における他のアプリケーションにとって大きなスコープを提供します。
論文 参考訳（メタデータ） (2023-01-19T20:06:48Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$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) - Efficient 2D Tensor Network Simulation of Quantum Systems [6.074275058563179]
射影エンタングル状態(PEPS)のような2次元テンソルネットワークは物理系や量子回路の重要なクラスに適している。
本稿では,PEPSに基づく手法のための新しいアルゴリズムとソフトウェア抽象化を提案する。
論文 参考訳（メタデータ） (2020-06-26T22:36:56Z) - Optimal Gradient Quantization Condition for Communication-Efficient
Distributed Training [99.42912552638168]
勾配の通信は、コンピュータビジョンアプリケーションで複数のデバイスでディープニューラルネットワークをトレーニングするのに費用がかかる。
本研究は,textbfANY勾配分布に対する二値および多値勾配量子化の最適条件を導出する。
最適条件に基づいて, 偏差BinGradと非偏差ORQの2値勾配量子化と多値勾配量子化の2つの新しい量子化手法を開発した。
論文 参考訳（メタデータ） (2020-02-25T18:28:39Z)
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。