論文の概要: Neural Network Emulation of the Classical Limit in Quantum Systems via Learned Observable Mappings

• arxiv url: http://arxiv.org/abs/2504.10781v1
• Date: Tue, 15 Apr 2025 00:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:11:35.247029
• Title: Neural Network Emulation of the Classical Limit in Quantum Systems via Learned Observable Mappings
• Title（参考訳）: 学習可観測写像による量子系の古典極限のニューラルネットワークエミュレーション
• Authors: Kamran Majid,
• Abstract要約: ニューラルネットワークアーキテクチャを開発し,初期期待値とhbar$から位置期待値の時間進化へのマッピングを学習する。 ネットワークの予測を異なるhbarのレジームで分析することにより、量子古典遷移の性質に関する計算的な洞察を提供することを目指している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The classical limit of quantum mechanics, formally investigated through frameworks like strict deformation quantization, remains a profound area of inquiry in the philosophy of physics. This paper explores a computational approach employing a neural network to emulate the emergence of classical behavior from the quantum harmonic oscillator as Planck's constant $\hbar$ approaches zero. We develop and train a neural network architecture to learn the mapping from initial expectation values and $\hbar$ to the time evolution of the expectation value of position. By analyzing the network's predictions across different regimes of hbar, we aim to provide computational insights into the nature of the quantum-classical transition. This work demonstrates the potential of machine learning as a complementary tool for exploring foundational questions in quantum mechanics and its classical limit.
• Abstract（参考訳）: 量子力学の古典的な限界は、厳密な変形量子化のような枠組みによって公式に研究され、物理学の哲学において重要な領域である。 本論文では、Planckの定数$\hbar$が0に近づくと、量子調和振動子からの古典的挙動の出現をエミュレートするためにニューラルネットワークを用いる計算手法を検討する。 ニューラルネットワークアーキテクチャを開発し、初期期待値からマッピングを学習し、位置期待値の時間進化に対して$\hbar$を学習する。 ネットワークの予測を異なるhbarのレジームで分析することにより、量子古典遷移の性質に関する計算的な洞察を提供することを目指している。 この研究は、量子力学の基礎的問題とその古典的極限を探索するための補完的なツールとしての機械学習の可能性を示す。

関連論文リスト

• Quantum Supervised Learning [0.5439020425819]
  量子コンピューティングの最近の進歩は、これを複雑な計算課題に取り組むための先進的な解決策として位置づけている。 量子機械学習の分野はまだ初期段階にあり、短期的な量子優位性に関する懐疑的なレベルが持続している。 本稿では、教師あり学習のための現在の量子アルゴリズムに関する古典的な視点を提供することを目的とする。
  論文  参考訳（メタデータ） (2024-07-24T11:05:05Z)
• A Quick Introduction to Quantum Machine Learning for Non-Practitioners [0.0]
  この論文では、重ね合わせ、位相空間、絡み合いなど、基本的な量子力学の原理を取り上げている。 また、人工知能、勾配降下、バックプロパゲーションといった古典的なディープラーニングの概念もレビューしている。 量子ニューラルネットワークの潜在的な利点を例に挙げる。
  論文  参考訳（メタデータ） (2024-02-22T16:48:17Z)
• Quantum Generative Adversarial Networks: Bridging Classical and Quantum Realms [0.6827423171182153]
  GAN(Generative Adversarial Networks)領域における古典的および量子コンピューティングパラダイムの相乗的融合について検討する。 我々の目的は、量子計算要素を従来のGANアーキテクチャにシームレスに統合し、トレーニングプロセスの強化のために新しい経路を開放することである。 この研究は量子化機械学習の最前線に位置し、量子システムの計算能力を活用するための重要な一歩である。
  論文  参考訳（メタデータ） (2023-12-15T16:51:36Z)
• 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)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Mutual Reinforcement between Neural Networks and Quantum Physics [0.0]
  量子機械学習は、量子力学と機械学習の共生から生まれる。 古典的な機械学習を量子物理学問題に適用するためのツールとして使う。 量子パーセプトロンの力学に基づく量子ニューラルネットワークの設計と、短絡の断熱への応用は、短時間の動作時間と堅牢な性能をもたらす。
  論文  参考訳（メタデータ） (2021-05-27T16:20:50Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)

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。