論文の概要: Simulating Quantum Many-Body States with Neural-Network Exponential Ansatz

• arxiv url: http://arxiv.org/abs/2411.07886v1
• Date: Tue, 12 Nov 2024 15:48:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:20:18.981945
• Title: Simulating Quantum Many-Body States with Neural-Network Exponential Ansatz
• Title（参考訳）: ニューラルネットワーク指数アンサッツによる量子多体状態のシミュレーション
• Authors: Weillei Zeng, Jiaji Zhang, Lipeng Chen, Carlos L. Benavides-Riveros,
• Abstract要約: 我々はハミルトンパラメータを入力として指数的アンサッツパラメータを生成する代用ニューラルネットワークソルバを開発した。 本稿では、複数の量子多体系のニューラルネットワークをトレーニングすることで、このアプローチの有効性を説明する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Preparing quantum many-body states on classical or quantum devices is a very challenging task that requires accounting for exponentially large Hilbert spaces. Although this complexity can be managed with exponential ans\"atze (such as in the coupled-cluster method), these approaches are often tailored to specific systems, which limits their universality. Recent work has shown that the contracted Schr\"odinger equation enables the construction of universal, formally exact exponential ans\"atze for quantum many-body physics. However, while the ansatz is capable of resolving arbitrary quantum systems, it still requires a full calculation of its parameters whenever the underlying Hamiltonian changes, even slightly. Here, inspired by recent progress in operator learning, we develop a surrogate neural network solver that generates the exponential ansatz parameters using the Hamiltonian parameters as inputs, eliminating the need for repetitive computations. We illustrate the effectiveness of this approach by training neural networks of several quantum many-body systems, including the Fermi-Hubbard model.
• Abstract（参考訳）: 古典的または量子的デバイスに量子多体状態を用意することは、指数関数的に大きなヒルベルト空間を考慮に入れなければならない非常に難しい課題である。 この複雑さは指数的 ans\atze で (結合クラスタ法のような) 管理できるが、これらのアプローチは特定のシステムに適合し、普遍性を制限する。 最近の研究により、収縮したシュリンガー方程式は、量子多体物理学のための普遍的、正式には正確な指数的 ans\atze の構築を可能にすることが示されている。 しかし、アンザッツは任意の量子系を解くことができるが、基礎となるハミルトニアンの変化がわずかに変わると、パラメータの完全な計算が必要である。 ここでは,演算子学習の最近の進歩に触発されて,ハミルトンパラメータを入力として指数的アンザッツパラメータを生成するサロゲートニューラルネットワークソルバを開発し,繰り返し計算の必要性を排除した。 本稿では、Fermi-Hubbardモデルを含む複数の量子多体系のニューラルネットワークをトレーニングすることで、このアプローチの有効性を説明する。

関連論文リスト

• 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)
• 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)
• Quantum Equilibrium Propagation for efficient training of quantum systems based on Onsager reciprocity [0.0]
  平衡伝播(Equilibrium propagation、EP)は、平衡に緩和する古典的なエネルギーモデルに導入され応用された手順である。 ここでは、EPとOnsagerの相互性を直接接続し、これを利用してEPの量子バージョンを導出する。 これは任意の量子系の可観測物の期待値に依存する損失関数の最適化に使うことができる。
  論文  参考訳（メタデータ） (2024-06-10T17:22:09Z)
• Variance minimisation on a quantum computer for nuclear structure [0.0]
  本稿では,量子コンピュータを用いた小型核系の励起状態スペクトルの分散に基づく検出法を提案する。 我々の目標は、核構造を再現し予測できる量子コンピューティングアルゴリズムを開発することである。
  論文  参考訳（メタデータ） (2022-09-16T09:38:07Z)
• Quantum reservoir neural network implementation on coherently coupled quantum oscillators [1.7086737326992172]
  本稿では,多数の高密度結合ニューロンを得る量子貯水池の実装を提案する。 超伝導回路に基づく特定のハードウェア実装を解析する。 ベンチマークタスクでは99 %の最先端の精度が得られる。
  論文  参考訳（メタデータ） (2022-09-07T15:24:51Z)
• Entanglement Forging with generative neural network models [0.0]
  ハイブリッド量子-古典的変分アンゼ」は、量子リソースオーバーヘッドを下げるために絡み合いを鍛えることができることを示す。 この方法は観測者の期待値の固定精度を達成するのに必要な測定値の数で効率的である。
  論文  参考訳（メタデータ） (2022-05-02T14:29:17Z)
• Parametrized constant-depth quantum neuron [56.51261027148046]
  本稿では,カーネルマシンをベースとした量子ニューロン構築フレームワークを提案する。 ここでは、指数的に大きい空間にテンソル積特徴写像を適用するニューロンについて述べる。 パラメトリゼーションにより、提案されたニューロンは、既存のニューロンが適合できない基礎となるパターンを最適に適合させることができることが判明した。
  論文  参考訳（メタデータ） (2022-02-25T04:57:41Z)
• Algebraic Compression of Quantum Circuits for Hamiltonian Evolution [52.77024349608834]
  時間依存ハミルトニアンの下でのユニタリ進化は、量子ハードウェアにおけるシミュレーションの重要な構成要素である。 本稿では、トロッターステップを1ブロックの量子ゲートに圧縮するアルゴリズムを提案する。 この結果、ハミルトニアンのある種のクラスに対する固定深度時間進化がもたらされる。
  論文  参考訳（メタデータ） (2021-08-06T19:38:01Z)
• Fast-forwarding quantum evolution [0.2621730497733946]
  ある種の量子系は、進化の過程でサブ線形であるゲート複雑性でシミュレートできることを示す。 我々は、量子計算のモデル、進化を誘発するハミルトニアン、初期状態の性質を考える高速フォワードの定義を提供する。
  論文  参考訳（メタデータ） (2021-05-15T22:41:28Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)

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。