論文の概要: Enhanced Hamiltonian Learning Precision with Multi-Stage Neural Networks

• arxiv url: http://arxiv.org/abs/2503.07356v1
• Date: Mon, 10 Mar 2025 14:10:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:47:09.374423
• Title: Enhanced Hamiltonian Learning Precision with Multi-Stage Neural Networks
• Title（参考訳）: 多段階ニューラルネットワークによるハミルトン学習精度の向上
• Authors: Zhengjie Kang, Hao Li, Shuo Wang, Jiaojiao Li, Yuanjie Zhang, Zhihuang Luo,
• Abstract要約: ハミルトン学習精度を向上させる多段階ニューラルネットワークフレームワークを提案する。 提案手法は,ランダム初期状態の単一キュービットパウリ測定から時系列データを利用する。 パラメータの精度を最大化することで、2量子システム上でのフレームワークを実証する。
• 参考スコア（独自算出の注目度）: 10.285214278728528
• License:
• Abstract: Learning quantum Hamiltonians with high precision is important for quantum physics and quantum information science. We propose a multi-stage neural network framework that significantly enhances Hamiltonian learning precision through successive network optimization of residual errors. Our approach utilizes time-series data from single-qubit Pauli measurements of random initial states, enabling the estimation of unknown Hamiltonian parameters without prior structural assumptions. We demonstrate the framework on two-qubit systems, achieving orders-of-magnitude improvement in parameter accuracy, and further extend the method to larger systems by integrating dynamical decoupling techniques. Additionally, the protocol exhibits robustness against experimental noise. This work bridges the gap between scalable Hamiltonian learning and high-precision requirements, offering a practical tool for precise quantum control and metrology.
• Abstract（参考訳）: 量子物理学や量子情報科学において、高精度で量子ハミルトニアンを学ぶことは重要である。 残差の連続的ネットワーク最適化によりハミルトン学習精度を大幅に向上する多段階ニューラルネットワークフレームワークを提案する。 提案手法は, ランダム初期状態の1量子パウリ測定による時系列データを用いて, 事前構造仮定を使わずに未知のハミルトンパラメータを推定できる。 本研究では,2量子システム上でのフレームワークを実演し,パラメータ精度のオーダー・オブ・マグニチュード向上を実現し,動的デカップリング技術を統合して大規模システムに拡張する。 さらに、このプロトコルは実験ノイズに対して堅牢性を示す。 この研究はスケーラブルなハミルトン学習と高精度要件のギャップを埋め、正確な量子制御とメトロジーのための実用的なツールを提供する。

関連論文リスト

• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• 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)
• Efficient and robust estimation of many-qubit Hamiltonians [0.0]
  量子力学系の相互作用と力学を特徴づけることは、量子技術の発展に欠かせない課題である。 マルチキュービットデバイスにおける基礎となるハミルトン力学と雑音を特徴付けるための効率的なプロトコルを提案する。 このプロトコルは、ハミルトニアンを学習するために並列化することができ、現在の量子デバイスと将来の量子デバイスの両方のキャラクタリゼーションに適用できる。
  論文  参考訳（メタデータ） (2022-05-19T13:52:32Z)
• Optimal control for Hamiltonian parameter estimation in non-commuting and bipartite quantum dynamics [0.0]
  我々は、単一量子ビットに対する最適制御された推定スキームを、2つの相互作用量子ビットだけでなく、非交換力学にも拡張する。 これらのスキームは、最大精度、時間安定性、および制御されていないプロトコルに対する堅牢性の観点から改善されている。
  論文  参考訳（メタデータ） (2022-05-05T04:10:17Z)
• Robust and Efficient Hamiltonian Learning [2.121963121603413]
  軽度の仮定に基づいて制限を回避できる頑健で効率的なハミルトン学習法を提案する。 提案手法は,短時間のダイナミクスと局所演算のみを用いて,パウリベースでスパースなハミルトニアンを効率的に学習することができる。 ランダムな相互作用強度と分子ハミルトニアンを持つ横場イジング・ハミルトニアンのスケーリングと推定精度を数値的に検証する。
  論文  参考訳（メタデータ） (2022-01-01T13:48:15Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Mixed Precision of Quantization of Transformer Language Models for Speech Recognition [67.95996816744251]
  トランスフォーマーが表現する最先端のニューラルネットワークモデルは、実用アプリケーションにとってますます複雑で高価なものになりつつある。 現在の低ビット量子化法は、均一な精度に基づいており、量子化エラーに対するシステムの異なる部分での様々な性能感度を考慮できない。 最適局所精度設定は2つの手法を用いて自動的に学習される。 Penn Treebank (PTB)とSwitchboard corpusによるLF-MMI TDNNシステムの試験を行った。
  論文  参考訳（メタデータ） (2021-11-29T09:57:00Z)
• Robustly learning the Hamiltonian dynamics of a superconducting quantum processor [0.5564835829075486]
  超伝導量子ビットアナログ量子シミュレータにおけるボソニック励起のフリーハミルトニアンパラメータを強く推定する。 この結果は、動的量子シミュレーションの正確な実装を構成する。
  論文  参考訳（メタデータ） (2021-08-18T18:01:01Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)

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。