論文の概要: Polynomially efficient quantum enabled variational Monte Carlo for training neural-network quantum states for physico-chemical applications

• arxiv url: http://arxiv.org/abs/2412.12398v1
• Date: Mon, 16 Dec 2024 23:11:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:57:00.113420
• Title: Polynomially efficient quantum enabled variational Monte Carlo for training neural-network quantum states for physico-chemical applications
• Title（参考訳）: 物理化学的応用のためのニューラルネットワーク量子状態のトレーニングのための多項量子有効変分モンテカルロ
• Authors: Manas Sajjan, Vinit Singh, Sabre Kais,
• Abstract要約: ニューラルネットワーク量子状態(NQS)は、物理系に対する従来の変分アンゼの代替を提供する。 エネルギーベースのフレームワークは、統計物理学を利用して量子状態をエネルギーランドスケープにマッピングし、メモリディスクリプタとして機能する。 このようなモデルは、量子デバイスによって強化されたモンテカルロ技術を用いて効率的に訓練できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Neural-network quantum states (NQS) offer a versatile and expressive alternative to traditional variational ans\"atze for simulating physical systems. Energy-based frameworks, like Hopfield networks and Restricted Boltzmann Machines, leverage statistical physics to map quantum states onto an energy landscape, functioning as memory descriptors. Here, we show that such models can be efficiently trained using Monte Carlo techniques enhanced by quantum devices. Our algorithm scales linearly with circuit width and depth, requires constant measurements, avoids mid-circuit measurements, and is polynomial in storage, ensuring optimal efficiency. It applies to both phase and amplitude fields, significantly expanding the trial space compared to prior methods. Quantum-assisted sampling accelerates Markov Chain convergence and improves sample fidelity, offering advantages over classical approaches. We validate our method by accurately learning ground states of local spin models and non-local electronic structure Hamiltonians, even in distorted molecular geometries with strong multi-reference correlations. Benchmark comparisons show robust agreement with traditional methods. This work highlights the potential of combining machine learning protocols with near-term quantum devices for quantum state learning, with promising applications in theoretical chemistry and condensed matter physics.
• Abstract（参考訳）: ニューラルネットワーク量子状態(NQS)は、物理系をシミュレートする従来の変分 ans\atze に代わる汎用的で表現力のある代替手段を提供する。 ホップフィールドネットワークや制限ボルツマンマシンのようなエネルギーベースのフレームワークは、統計物理学を利用して量子状態のエネルギー景観へのマッピングを行い、メモリディスクリプタとして機能する。 ここでは,量子デバイスによって強化されたモンテカルロ技術を用いて,そのようなモデルを効率的に訓練することができることを示す。 我々のアルゴリズムは回路幅と深さを線形にスケールし、一定の測定を必要とし、中間回路の測定を回避し、保存の多項式であり、最適効率を確保できる。 位相場と振幅場の両方に適用され、従来の方法と比較して試行空間を著しく拡大する。 量子アシストサンプリングはマルコフ・チェインの収束を加速し、サンプルの忠実度を改善し、古典的なアプローチよりも有利である。 我々は局所スピンモデルと非局所電子構造ハミルトニアンの基底状態を,強いマルチ参照相関を持つ歪み分子幾何学においても正確に学習することにより,本手法の有効性を検証した。 ベンチマーク比較は従来の手法と堅牢な一致を示している。 この研究は、量子状態学習のための機械学習プロトコルと短期量子デバイスを組み合わせる可能性を強調し、理論化学や凝縮物質物理学における有望な応用について述べる。

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)
• Quantum Classical Algorithm for the Study of Phase Transitions in the Hubbard Model via Dynamical Mean-Field Theory [0.0]
  本稿では, 量子コンピューティング, 多体理論, 量子機械学習を連携させて, 強相関系の研究を行うワークフローを提案する。 DMFT近似におけるHubbardモデルのゼロ温度波動関数のデータベースを生成する。 次に、QMLアルゴリズムを用いて金属相とモット絶縁体相を区別し、金属-モット絶縁体相転移を捉える。
  論文  参考訳（メタデータ） (2023-08-02T19:11:04Z)
• 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)
• Combining Matrix Product States and Noisy Quantum Computers for Quantum Simulation [0.0]
  行列生成状態(MPS)と演算子(MPO)は、量子多体系を研究するための強力なツールであることが証明されている。 テンソルネットワークの形で古典的な知識を用いることで、制限された量子資源をよりよく活用できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T17:21:52Z)
• Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
  テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる 本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。 その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-01T17:08:41Z)
• A quantum processor based on coherent transport of entangled atom arrays [44.62475518267084]
  量子プロセッサは動的で非局所的な接続を持ち、絡み合った量子ビットは高い並列性でコヒーレントに輸送されることを示す。 このアーキテクチャを用いて,クラスタ状態や7キュービットのSteane符号状態などの絡み合ったグラフ状態のプログラム生成を実現する。
  論文  参考訳（メタデータ） (2021-12-07T19:00:00Z)
• 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)
• Holographic dynamics simulations with a trapped ion quantum computer [0.0]
  我々は、新しいスケーラブルな量子シミュレーションパラダイムを実証し、ベンチマークする。 ハネウェルに閉じ込められたイオン量子プロセッサを用いて、自己双対蹴りイジングモデルの非可積分ダイナミクスをシミュレートする。 その結果、量子テンソルネットワーク法は、最先端の量子プロセッサ機能とともに、近い将来に実用的な量子優位性を実現することができることが示唆された。
  論文  参考訳（メタデータ） (2021-05-19T18:00:02Z)
• Preparing random states and benchmarking with many-body quantum chaos [48.044162981804526]
  時間に依存しないハミルトン力学の下で自然にランダム状態アンサンブルの出現を予測し、実験的に観察する方法を示す。 観測されたランダムアンサンブルは射影測定から現れ、より大きな量子系のサブシステムの間に構築された普遍的相関に密接に関連している。 我々の研究は、量子力学におけるランダム性を理解するための意味を持ち、より広い文脈でのこの概念の適用を可能にする。
  論文  参考訳（メタデータ） (2021-03-05T08:32:43Z)
• Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation [5.668795025564699]
  オープン量子システムのダイナミクスに対処するためのアプローチを提案する。 自己回帰変換ニューラルネットワークを用いて量子状態をコンパクトに表現する。 効率的なアルゴリズムは、リウヴィリア超作用素の力学をシミュレートするために開発された。
  論文  参考訳（メタデータ） (2020-09-11T18:00:00Z)

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。