論文の概要: Machine Learns Quantum Complexity?
- arxiv url: http://arxiv.org/abs/2501.02005v1
- Date: Thu, 02 Jan 2025 04:32:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-07 17:06:06.511103
- Title: Machine Learns Quantum Complexity?
- Title(参考訳): 機械は量子複雑性を学ぶか?
- Authors: Dongsu Bak, Su-Hyeong Kim, Sangnam Park, Jeong-Pil Song,
- Abstract要約: 深層学習アルゴリズムに基づく機械が量子システムにおいてKrylovの複雑性をどのように学習するかを研究する。
我々は、畳み込みニューラルネットワークに基づくアルゴリズムが、すべての時間スケールにわたってKrylovの複雑さをうまく学習することを示した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: We study how a machine based on deep learning algorithms learns Krylov spread complexity in quantum systems with N x N random Hamiltonians drawn from the Gaussian unitary ensemble. Using thermofield double states as initial conditions, we demonstrate that a convolutional neural network-based algorithm successfully learns the Krylov spread complexity across all timescales, including the late-time plateaus where states appear nearly featureless and random. Performance strongly depends on the basis choice, performing well with the energy eigenbasis or the Krylov basis but failing in the original basis of the random Hamiltonian. The algorithm also effectively distinguishes temperature-dependent features of thermofield double states. Furthermore, we show that the system time variable of state predicted by deep learning is an irrelevant quantity, reinforcing that the Krylov spread complexity well captures the essential features of the quantum state, even at late times.
- Abstract(参考訳): 深層学習アルゴリズムに基づく機械が、ガウスユニタリアンアンサンブルから引き出されたNxNランダムハミルトニアンを持つ量子系におけるクリロフ拡散複雑性を学習する方法について検討する。
熱場二重状態を初期条件として、畳み込みニューラルネットワークに基づくアルゴリズムが、状態がほとんど特徴なくランダムに見える深夜高原を含む全ての時間スケールでKrylov拡散複雑性をうまく学習することを示した。
性能は基底選択に強く依存し、エネルギー固有基底やクリロフ基底とよく対応するが、ランダムハミルトニアンの原基底では失敗する。
このアルゴリズムは、熱場二重状態の温度依存性の特徴を効果的に識別する。
さらに、ディープラーニングによって予測される状態のシステム時間変数が無関係な量であることを示し、Krylov拡散複雑性が近年においても量子状態の本質的特徴をよく捉えていることを強調した。
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) - Generating Approximate Ground States of Strongly Correlated Quantum Many-Body Systems Through Quantum Imaginary Time Evolution [0.0]
格子および分子電子構造のITEを近似するQITEアルゴリズムの能力を数値解析する。
仮想時間がどのように進化したフェルミオンガウス状態が、古典的コンピュータ上で効率的に計算できる初期状態として機能するかを示す。
論文 参考訳(メタデータ) (2024-09-02T15:20:41Z) - 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) - Calculating the many-body density of states on a digital quantum
computer [58.720142291102135]
ディジタル量子コンピュータ上で状態の密度を推定する量子アルゴリズムを実装した。
我々は,量子H1-1トラップイオンチップ上での非可積分ハミルトニアン状態の密度を18ビットの制御レジスタに対して推定する。
論文 参考訳(メタデータ) (2023-03-23T17:46:28Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳(メタデータ) (2022-12-21T19:00:04Z) - 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) - Improved iterative quantum algorithm for ground-state preparation [4.921552273745794]
ハミルトン系の基底状態を作成するために,改良された反復量子アルゴリズムを提案する。
提案手法には,各イテレーションにおける成功確率の向上,測定精度に依存しないサンプリングの複雑さ,ゲートの複雑さの低減,およびアシラリー状態が十分に準備された場合の量子資源のみを必要とするという利点がある。
論文 参考訳(メタデータ) (2022-10-16T05:57:43Z) - Real-Time Krylov Theory for Quantum Computing Algorithms [0.0]
リアルタイム進化によって生成された部分空間を用いた新しいアプローチは、固有状態情報抽出の効率性を示している。
本稿では,量子ハードウェア上で固有値を抽出する,コンパクトかつ効率的なリアルタイムアルゴリズムである変分量子位相推定法(VQPE)を開発した。
強相関系に対する電子構造予測などの量子計算の基本問題への応用について論じる。
論文 参考訳(メタデータ) (2022-08-01T18:00:48Z) - Quantum Alphatron: quantum advantage for learning with kernels and noise [2.94944680995069]
我々は、フォールトトレラントな設定でAlphatronの量子バージョンを提供する。
2層ニューラルネットワークの学習における量子優位性について論じる。
論文 参考訳(メタデータ) (2021-08-26T09:36:20Z) - Continuous-variable neural-network quantum states and the quantum rotor
model [2.3398944692275476]
第1量子化における連続可変格子量子系の解析のためのニューラルネットワーク量子状態アルゴリズムについて検討する。
ボルツマン機械(RBM)波動関数を自然に一般化する連続可変トライアルウェーブフランプトンの族が導入された。
その結果, 偏微分方程式 (PDE) に基づくスケーラブル固有解法と比較した。
論文 参考訳(メタデータ) (2021-07-15T03:53:14Z) - 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。