論文の概要: Provably Efficient Adiabatic Learning for Quantum-Classical Dynamics
- arxiv url: http://arxiv.org/abs/2408.00276v2
- Date: Thu, 8 Aug 2024 14:47:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-09 17:39:48.470114
- Title: Provably Efficient Adiabatic Learning for Quantum-Classical Dynamics
- Title(参考訳): 量子古典力学における確率論的断熱学習
- Authors: Changnan Peng, Jin-Peng Liu, Gia-Wei Chern, Di Luo,
- Abstract要約: 学習アルゴリズムを用いて量子古典的断熱力学を解析するための一般的な理論的枠組みを開発する。
量子情報理論を基礎として,対数的システムサイズサンプリングの複雑さを生かした,証明可能な効率の良いAdiabatic Learning (PEAL) アルゴリズムを開発した。
我々は,ホルシュタインモデル上でPEALをベンチマークし,シングルパスダイナミクスとアンサンブルダイナミクスの観測値の予測における精度と,ハミルトンの家系における伝達学習の精度を示す。
- 参考スコア(独自算出の注目度): 4.381980584443765
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum-classical hybrid dynamics is crucial for accurately simulating complex systems where both quantum and classical behaviors need to be considered. However, coupling between classical and quantum degrees of freedom and the exponential growth of the Hilbert space present significant challenges. Current machine learning approaches for predicting such dynamics, while promising, remain unknown in their error bounds, sample complexity, and generalizability. In this work, we establish a generic theoretical framework for analyzing quantum-classical adiabatic dynamics with learning algorithms. Based on quantum information theory, we develop a provably efficient adiabatic learning (PEAL) algorithm with logarithmic system size sampling complexity and favorable time scaling properties. We benchmark PEAL on the Holstein model, and demonstrate its accuracy in predicting single-path dynamics and ensemble dynamics observables as well as transfer learning over a family of Hamiltonians. Our framework and algorithm open up new avenues for reliable and efficient learning of quantum-classical dynamics.
- Abstract(参考訳): 量子古典ハイブリッド力学は、量子と古典の両方の振る舞いを考える必要がある複雑なシステムを正確にシミュレートするために重要である。
しかし、古典的自由度と量子的自由度の間の結合とヒルベルト空間の指数的成長は重要な課題である。
現在の機械学習アプローチでは、そのようなダイナミクスを予測することは期待できるが、エラー境界、サンプルの複雑さ、一般化可能性については未知のままである。
本研究では,学習アルゴリズムを用いて量子古典的断熱力学を解析するための一般的な理論的枠組みを確立する。
量子情報理論に基づいて、対数的システムサイズサンプリングの複雑さと好適な時間スケーリング特性を備えた、証明可能な効率のよいAdiabatic Learning (PEAL)アルゴリズムを開発した。
我々は,ホルシュタインモデル上でPEALをベンチマークし,シングルパスダイナミクスとアンサンブルダイナミクスの観測値の予測と,ハミルトンの家系での移動学習の精度を示す。
我々のフレームワークとアルゴリズムは、量子古典力学の信頼性と効率的な学習のための新しい道を開く。
関連論文リスト
- Spectral chaos bounds from scaling theory of maximally efficient
quantum-dynamical scrambling [49.1574468325115]
複雑な量子系のエルゴード定常状態への進化に関する重要な予想は、スクランブルとして知られるこの過程が最も効率的であるときに普遍的な特徴を取得することである。
このシナリオでは、完全なスクランブルダイナミクスに沿ったスペクトル相関の正確な自己相似性を具現化して、スペクトル統計量に対する単一パラメータスケーリング理論を開発する。
スケーリング予測は特権プロセスで一致し、他の動的スクランブルシナリオのバウンダリとして機能し、すべてのタイムスケールで非効率または不完全なスクランブルを定量化できるようにする。
論文 参考訳(メタデータ) (2023-10-17T15:41:50Z) - 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) - Classical-to-Quantum Transfer Learning Facilitates Machine Learning with Variational Quantum Circuit [62.55763504085508]
本稿では,変分量子回路(VQC)を用いた古典的量子移動学習アーキテクチャにより,VQCモデルの表現と一般化(推定誤差)が向上することを証明する。
古典-量子遷移学習のアーキテクチャは、事前学習された古典的生成AIモデルを活用し、訓練段階におけるVQCの最適パラメータの発見を容易にする。
論文 参考訳(メタデータ) (2023-05-18T03:08:18Z) - Mixed Quantum-Classical Dynamics for Near Term Quantum Computers [0.0]
混合量子古典力学は、完全に量子力学的に扱うには複雑すぎるシステムを理解するためにしばしば用いられる。
量子サブシステムと古典的サブシステムとを結合した一般混合量子古典力学のモジュラーアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-03-20T18:23:15Z) - Mean-field dynamics of open quantum systems with collective
operator-valued rates: validity and application [0.0]
我々は、全対全連結ハミルトニアンによって特徴づけられるオープン量子多体リンドブラッド力学のクラスを考える。
無限大系の極限における時間発展について検討し、平均作用素の力学に対する平均場方程式の正確性を示す。
我々の結果は、量子効果がパラダイム的古典モデルに与える影響について厳密で体系的な研究を可能にする。
論文 参考訳(メタデータ) (2023-02-08T15:58:39Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳(メタデータ) (2022-12-22T16:06:24Z) - Classical simulation of short-time quantum dynamics [0.0]
局所観測可能量と非局所量のダイナミクスを近似する古典的アルゴリズムを提案する。
我々は、新しい量子速度限界、動的相転移の束縛、および製品状態の束縛された濃度を短期間に発展させた。
論文 参考訳(メタデータ) (2022-10-20T18:00:04Z) - 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-Classical Hybrid Algorithm for the Simulation of All-Electron
Correlation [58.720142291102135]
本稿では、分子の全電子エネルギーと古典的コンピュータ上の特性を計算できる新しいハイブリッド古典的アルゴリズムを提案する。
本稿では,現在利用可能な量子コンピュータ上で,化学的に関連性のある結果と精度を実現する量子古典ハイブリッドアルゴリズムの能力を実証する。
論文 参考訳(メタデータ) (2021-06-22T18:00:00Z) - Objective trajectories in hybrid classical-quantum dynamics [0.0]
古典量子のハイブリッド進化を研究するための玩具モデルをいくつか紹介する。
本稿では,力学を計算し,数値シミュレーションのためのコードを提供する。
論文 参考訳(メタデータ) (2020-11-11T19:00:34Z)
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。