論文の概要: Hamiltonian Learning at Heisenberg Limit for Hybrid Quantum Systems

• arxiv url: http://arxiv.org/abs/2502.20373v2
• Date: Tue, 04 Mar 2025 00:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 12:13:43.097402
• Title: Hamiltonian Learning at Heisenberg Limit for Hybrid Quantum Systems
• Title（参考訳）: ハイブリッド量子システムのためのハイゼンベルク極限におけるハミルトン学習
• Authors: Lixing Zhang, Ze-Xun Lin, Prineha Narang, Di Luo,
• Abstract要約: ハイブリッドスピンボソン系におけるハミルトン学習がハイゼンベルク極限を達成することを実証する。 我々のアルゴリズムは、ハミルトン結合パラメータをルート平均二乗誤差(RMSE)$epsilon$まで推定し、総進化時間スケーリングを$T sim MathcalO(epsilon-1)$とすることができる。 また、分散量子センシングに基づく代替アルゴリズムも提供し、測定あたりの最大進化時間を著しく短縮する。
• 参考スコア（独自算出の注目度）: 0.7499722271664147
• License:
• Abstract: Hybrid quantum systems with different particle species are fundamental in quantum materials and quantum information science. In this work, we demonstrate that Hamiltonian learning in hybrid spin-boson systems can achieve the Heisenberg limit. Specifically, we establish a rigorous theoretical framework proving that, given access to an unknown hybrid Hamiltonian system, our algorithm can estimate the Hamiltonian coupling parameters up to root mean square error (RMSE) $\epsilon$ with a total evolution time scaling as $T \sim \mathcal{O}(\epsilon^{-1})$ using only $\mathcal{O}({\rm polylog}(\epsilon^{-1}))$ measurements. Furthermore, it remains robust against small state preparation and measurement (SPAM) errors. In addition, we also provide an alternative algorithm based on distributed quantum sensing, which significantly reduces the maximum evolution time per measurement. To validate our method, we apply it to the generalized Dicke model for Hamiltonian learning and the spin-boson model for spectrum learning, demonstrating its efficiency in practical quantum systems. These results provide a scalable and robust framework for precision quantum sensing and Hamiltonian characterization in hybrid quantum platforms.
• Abstract（参考訳）: 異なる粒子種を持つハイブリッド量子系は、量子材料と量子情報科学の基本である。 本研究では,ハイブリッドスピンボソン系におけるハミルトン学習がハイゼンベルク極限を達成することを実証する。 具体的には、未知のハイブリッドハミルトニアン系にアクセスすると、我々のアルゴリズムはルート平均二乗誤差(RMSE)$\epsilon$を$T \sim \mathcal{O}(\epsilon^{-1})$として推定できる。 さらに、小さな状態の準備と測定(SPAM)の誤りに対して頑健である。 さらに、分散量子センシングに基づく代替アルゴリズムも提供し、測定あたりの最大進化時間を著しく短縮する。 本手法を検証するために、ハミルトン学習のための一般化ディックモデルとスペクトル学習のためのスピンボソンモデルに適用し、実用的な量子システムにおいてその効率を実証する。 これらの結果は、ハイブリッド量子プラットフォームにおける高精度量子センシングとハミルトン特徴づけのためのスケーラブルで堅牢なフレームワークを提供する。

関連論文リスト

• Optimal Hamiltonian recognition of unknown quantum dynamics [9.075075598775758]
  我々は、既知のハミルトニアン集合からハミルトニアン支配量子力学を識別するフレームワークであるハミルトニアン認識を導入する。 2つの量子信号処理構造上のコヒーレント関数シミュレーションのための量子アルゴリズムを開発した。 超伝導量子プロセッサ上でのプロトコルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-12-17T16:31:35Z)
• Learning interactions between Rydberg atoms [4.17037025217542]
  グラフニューラルネットワーク(GNN)を用いたハミルトン学習へのスケーラブルなアプローチを提案する。 我々は、GNNモデルがトレーニング領域を超えて外挿できることを実証した。
  論文  参考訳（メタデータ） (2024-12-16T17:45:30Z)
• 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)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Probing finite-temperature observables in quantum simulators of spin systems with short-time dynamics [62.997667081978825]
  ジャジンスキー等式から動機付けられたアルゴリズムを用いて, 有限温度可観測体がどのように得られるかを示す。 長範囲の逆場イジングモデルにおける有限温度相転移は、捕捉されたイオン量子シミュレータで特徴づけられることを示す。
  論文  参考訳（メタデータ） (2022-06-03T18:00:02Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• 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)
• A Hybrid Quantum-Classical Hamiltonian Learning Algorithm [6.90132007891849]
  ハミルトン学習は、量子デバイスと量子シミュレータの認定に不可欠である。 本研究では,ハミルトニアン作用素の係数を求めるために,ハイブリッド量子古典ハミルトン学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:15:58Z)
• Dynamical Self-energy Mapping (DSEM) for quantum computing [0.0]
  ノイズの多い中間スケール量子(NISQ)デバイスでは、コヒーレンスに制限のある適度な数の量子ビットしか利用できない。 古典量子ハイブリッドアルゴリズムを用いて,NISQデバイス上での分子化学シミュレーションにおいて,この課題を回避する方法を提案する。
  論文  参考訳（メタデータ） (2020-10-12T04:12:21Z)
• Entanglement Hamiltonian Tomography in Quantum Simulation [0.0]
  量子シミュレータの絡み合いは、今日の中間スケール量子デバイスの時代において顕著な課題である。 本稿では, スピン系の密度行列と絡み合ったスペクトルを再構成するための効率的なトモグラフィープロトコルについて論じる。 数値シミュレーションを用いて1次元の長距離Isingモデルのプロトコルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-09-18T18:12:22Z)
• 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。