論文の概要: Learning phases with Quantum Monte Carlo simulation cell

• arxiv url: http://arxiv.org/abs/2503.23098v3
• Date: Thu, 30 Oct 2025 18:55:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.561919
• Title: Learning phases with Quantum Monte Carlo simulation cell
• Title（参考訳）: 量子モンテカルロシミュレーションセルによる学習位相
• Authors: Amrita Ghosh, Mugdha Sarkar, Ying-Jer Kao, Pochung Chen,
• Abstract要約: 本稿では,Quantum Monte Carlo(QMC)シミュレーションを機械学習(ML)入力データとして使用することを提案する。 従来の位相遷移とトポロジカル位相遷移の両方を捉える場合の入力の有効性と,非局所観測可能性を予測する回帰タスクについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose the use of the ``spin-opstring", derived from Stochastic Series Expansion Quantum Monte Carlo (QMC) simulations as machine learning (ML) input data. It offers a compact, memory-efficient representation of QMC simulation cells, combining the initial state with an operator string that encodes the state's evolution through imaginary time. Using supervised ML, we demonstrate the input's effectiveness in capturing both conventional and topological phase transitions, and in a regression task to predict non-local observables. We also demonstrate the capability of spin-opstring data in transfer learning by training models on one quantum system and successfully predicting on another, as well as showing that models trained on smaller system sizes generalize well to larger ones. Importantly, we illustrate a clear advantage of spin-opstring over conventional spin configurations in the accurate prediction of a quantum phase transition. Finally, we show how the inherent structure of spin-opstring provides an elegant framework for the interpretability of ML predictions. Using two state-of-the-art interpretability techniques, Layer-wise Relevance Propagation and SHapley Additive exPlanations, we show that the ML models learn and rely on physically meaningful features from the input data. Together, these findings establish the spin-opstring as a broadly-applicable and interpretable input format for ML in quantum many-body physics.
• Abstract（参考訳）: 本稿では,Stochastic Series Expansion Quantum Monte Carlo (QMC) シミュレーションを機械学習(ML)入力データとして用いた '`spin-opstring' を提案する。 QMCシミュレーションセルのコンパクトでメモリ効率のよい表現を提供し、初期状態と、想像上の時間を通じて状態の進化を符号化する演算子を結合する。 教師付きMLを用いて、従来の位相遷移とトポロジカル位相遷移の両方を捕捉し、非局所観測可能性を予測する回帰タスクにおいて、入力の有効性を実証する。 また、ある量子系上でのトレーニングモデルと、別の量子系上での予測により、転送学習におけるスピンオーストリングデータの有効性を実証するとともに、より小さなシステムサイズでトレーニングされたモデルが、より大きなモデルに対してよく一般化されていることを示す。 重要なことは、量子相転移の正確な予測において、従来のスピン配置よりも明らかにスピンプロストリングの利点を示すことである。 最後に、スピンオープストリングの固有の構造が、ML予測の解釈可能性のためのエレガントな枠組みを提供することを示す。 本稿では,2つの最先端の解釈可能性技術であるレイヤワイド・レバレンス・プロパゲーションとSHapley Additive exPlanationsを用いて,MLモデルが入力データから学習し,物理的に意味のある特徴に依存していることを示す。 これらの知見は、量子多体物理学におけるMLの幅広い適用可能な、解釈可能な入力形式としてスピンオープストリングを確立した。

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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• First-Order Phase Transition of the Schwinger Model with a Quantum Computer [0.0]
  格子シュウィンガーモデルにおける一階位相遷移を位相的$theta$-termの存在下で検討する。 本研究では, モデルの位相構造を明らかにする観測可能な電場密度と粒子数が, 量子ハードウェアから確実に得られることを示す。
  論文  参考訳（メタデータ） (2023-12-20T08:27:49Z)
• Enhancing variational Monte Carlo using a programmable quantum simulator [0.3078264203938486]
  本研究では, 量子物質のシリカシミュレーションにおいて, 射影測定データを用いることが可能であることを示す。 我々はデータ強化型変分モンテカルロを用いて、リカレントニューラルネットワークに基づいて強力な自己回帰波動関数アンゼを訓練する。 我々の研究は、量子多体系の大規模シミュレーションのためのハイブリッド量子-古典的アプローチの可能性を強調している。
  論文  参考訳（メタデータ） (2023-08-04T18:08:49Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Investigating Quantum Many-Body Systems with Tensor Networks, Machine Learning and Quantum Computers [0.0]
  古典的および量子コンピュータ上で量子シミュレーションを行う。 未知の量子多体系の位相図を教師なし方式でマッピングする。
  論文  参考訳（メタデータ） (2022-10-20T09:46:25Z)
• 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)
• 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。