論文の概要: Learning out-of-time-ordered correlators with classical kernel methods
- arxiv url: http://arxiv.org/abs/2409.01592v1
- Date: Tue, 3 Sep 2024 04:20:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 02:53:07.861964
- Title: Learning out-of-time-ordered correlators with classical kernel methods
- Title(参考訳): 古典的カーネル法による時間外順序相関器の学習
- Authors: John Tanner, Jason Pye, Jingbo Wang,
- Abstract要約: XZ-OTOCとOTOCの特定の和を正確に学習できるのかどうかを考察する。
この問題を回帰タスクとして,効率的な数値アルゴリズムを用いてラベル付きデータを生成する。
我々は、様々な標準カーネルマシンを訓練し、最高のカーネルが確実に高い判定係数を達成することを観察する。
- 参考スコア(独自算出の注目度): 3.6538093004443155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Out-of-Time Ordered Correlators (OTOCs) are widely used to investigate information scrambling in quantum systems. However, directly computing OTOCs with classical computers is often impractical. This is due to the need to simulate the dynamics of quantum many-body systems, which entails exponentially-scaling computational costs with system size. Similarly, exact simulation of the dynamics with a quantum computer (QC) will generally require a fault-tolerant QC, which is currently beyond technological capabilities. Therefore, alternative approaches are needed for computing OTOCs and related quantities. In this study, we explore four parameterised sets of Hamiltonians describing quantum systems of interest in condensed matter physics. For each set, we investigate whether classical kernel methods can accurately learn the XZ-OTOC as well as a particular sum of OTOCs, as functions of the Hamiltonian parameters. We frame the problem as a regression task, generating labelled data via an efficient numerical algorithm that utilises matrix product operators to simulate quantum many-body systems, with up to 40 qubits. Using this data, we train a variety of standard kernel machines and observe that the best kernels consistently achieve a high coefficient of determination ($R^2$) on the testing sets, typically between 0.9 and 0.99, and almost always exceeding 0.8. This demonstrates that classical kernels supplied with a moderate amount of training data can be used to closely and efficiently approximate OTOCs and related quantities for a diverse range of quantum many-body systems.
- Abstract(参考訳): Out-of-Time Ordered Correlator (OTOC) は、量子系における情報の揺らぎを調べるために広く使われている。
しかし、OTOCを古典的なコンピュータで直接計算するのは現実的ではないことが多い。
これは、指数的にスケールする計算コストとシステムサイズを必要とする量子多体系の力学をシミュレートする必要があるためである。
同様に、量子コンピュータ(QC)による力学の正確なシミュレーションは、一般的にフォールトトレラントQCを必要とする。
したがって、OTOCと関連する量の計算には別の方法が必要である。
本研究では、凝縮物質物理学に関心を持つ量子系を記述する4つのパラメータ化されたハミルトン系について検討する。
各集合に対して、古典的なカーネル手法が、ハミルトニアンパラメータの関数として、XZ-OTOCと特定のOTOCの和を正確に学習できるかどうかを検討する。
我々は、行列積演算子を用いて最大40量子ビットの量子多体系をシミュレートする効率的な数値アルゴリズムを用いてラベル付きデータを生成する。
このデータを用いて、我々は様々な標準カーネルマシンを訓練し、最高のカーネルがテストセット上で常に高い判定係数(R^2$)を達成することを観察する。
このことは、適度なトレーニングデータを供給した古典的カーネルが、様々な量子多体系に対して、OTOCと関連する量の密接かつ効率的に近似するために使用できることを示している。
関連論文リスト
- Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳(メタデータ) (2024-08-22T08:21:28Z) - Discrete Randomized Smoothing Meets Quantum Computing [40.54768963869454]
重畳における入力バイナリデータの摂動をエンコードし、量子振幅推定(QAE)を用いてモデルへの呼び出し数を2次的に削減する方法を示す。
さらに、画像、グラフ、テキストに対するアプローチの広範な評価を可能にする新しいバイナリ脅威モデルを提案する。
論文 参考訳(メタデータ) (2024-08-01T20:21:52Z) - Benchmarking of quantum fidelity kernels for Gaussian process regression [1.7287035469433212]
量子コンピューティングアルゴリズムは、機械学習の分類問題に対して性能の高い量子カーネルを生成することが示されている。
量子カーネルは、回帰問題に対して古典的カーネルと同じ表現性が得られるが、あまり良くない。
論文 参考訳(メタデータ) (2024-07-22T18:19:48Z) - Quantum Machine Learning: Quantum Kernel Methods [0.0]
カーネルメソッドは古典的な機械学習において強力で一般的なテクニックである。
量子コンピュータ上でしか効率的に計算できない量子特徴空間を使用することで、量子上の優位性を導出することができる。
データ依存型投影量子カーネルは、古典的カーネルに対して大きな利点をもたらすことが示されている。
論文 参考訳(メタデータ) (2024-05-02T23:45:29Z) - Towards Efficient Quantum Anomaly Detection: One-Class SVMs using
Variable Subsampling and Randomized Measurements [4.180897432770239]
量子コンピューティングは、カーネル計算とモデルの精度を大幅に向上させる。
本稿では,量子カーネルの評価にランダム化計測を利用する方法と,可変サブサンプリングアンサンブル法を提案する。
実験の結果, トレーニング時間と推論時間は最大95%, 25%減少した。
不安定ではあるが、ランダム化測定の平均精度は古典的ラジアル基底関数カーネルのそれを上回っている。
論文 参考訳(メタデータ) (2023-12-14T17:42:18Z) - Quantum-Classical Multiple Kernel Learning [0.0]
機械学習におけるカーネルメソッドは、将来的にそのような改善を実現することができる分野のひとつだ。
小さくてノイズの多い量子コンピュータは、データの類似性のユニークな概念を捉える古典的なパラメトリック量子カーネルを評価することができる。
我々は、MKL(Multiple kernel)の文脈において、古典、量子量子、量子古典およびQCカーネルのペアワイズ組み合わせを考える。
本手法は,MKL設定における各種測定値の性能向上に有効であることを示す。
論文 参考訳(メタデータ) (2023-05-28T12:29:04Z) - Parallel hybrid quantum-classical machine learning for kernelized
time-series classification [0.0]
本稿では,時間系列ハミルトニアン(TSHK)アルゴリズムを用いて,ペアインスタンス間の時間的時間差を推定するハイブリッド量子古典機械に挑戦する。
カーネル重み付けステップを微分可能な微分可能なカーネル関数として扱うため、本手法はエンドラージ可能なハイブリッド量子系列技術とみなすことができる。
論文 参考訳(メタデータ) (2023-05-10T04:01:15Z) - Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。
我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。
第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文 参考訳(メタデータ) (2023-04-18T18:23:20Z) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳(メタデータ) (2022-12-13T16:04:16Z) - Automatic and effective discovery of quantum kernels [43.702574335089736]
量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。
本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,異なるアプローチを提案する。
その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
論文 参考訳(メタデータ) (2022-09-22T16:42:14Z) - 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)
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。