Fugu-MT 論文翻訳(概要): Learning functions of Hamiltonians with Hamiltonian Fourier features

論文の概要: Learning functions of Hamiltonians with Hamiltonian Fourier features

arxiv url: http://arxiv.org/abs/2504.16370v2
Date: Thu, 08 May 2025 05:06:53 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-09 15:15:33.221491
Title: Learning functions of Hamiltonians with Hamiltonian Fourier features
Title（参考訳）: ハミルトニアンフーリエ特徴を持つハミルトニアンの学習関数
Authors: Yuto Morohoshi, Akimoto Nakayama, Hidetaka Manabe, Kosuke Mitarai,
Abstract要約: 本稿では、量子コンピュータにとって確実に容易であり、古典的コンピュータにとって間違いなく困難である量子機械学習タスクを提案する。このタスクは、$mathrmTr[f(H)rho]$という形の量の予測を伴う。最大40キュービットの超伝導デバイス上でタスクを実行する。
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 a quantum machine learning task that is provably easy for quantum computers and arguably hard for classical ones. The task involves predicting quantities of the form $\mathrm{Tr}[f(H)\rho]$, where $f$ is an unknown function, given descriptions of $H$ and $\rho$. Using a Fourier-based feature map of Hamiltonians and linear regression, we theoretically establish the learnability of the task and implement it on a superconducting device using up to 40 qubits. This work provides a machine learning task with practical relevance, provable quantum easiness, and near-term feasibility.
Abstract（参考訳）: 本稿では、量子コンピュータにとって確実に容易であり、古典的コンピュータにとって間違いなく困難である量子機械学習タスクを提案する。このタスクは$\mathrm{Tr}[f(H)\rho]$という形式の量を予測することを含み、$f$は未知の関数であり、$H$と$\rho$の記述が与えられた。ハミルトニアンのフーリエ型特徴写像と線形回帰を用いて、理論的にタスクの学習可能性を確立し、最大40キュービットの超伝導デバイスに実装する。この作業は、実用的な妥当性、証明可能な量子容易性、短期的実現性を備えた機械学習タスクを提供する。

関連論文リスト

Quantum Machine Learning: A Hands-on Tutorial for Machine Learning Practitioners and Researchers [51.03113410951073]
このチュートリアルでは、AIのバックグラウンドを持つ読者を量子機械学習(QML)に紹介する。自己整合性については、基本原理、代表的QMLアルゴリズム、潜在的な応用、トレーニング容易性、一般化、計算複雑性といった重要な側面を取り上げる。
論文参考訳（メタデータ） (2025-02-03T08:33:44Z)
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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文参考訳（メタデータ） (2024-09-05T07:18:09Z)
Simple Hamiltonian dynamics is a powerful quantum processing resource [0.0]
50以上の物理量子ビットを持つ量子プロセッサによってホストされる4次元ヒルベルト空間は、計算タスクを実行するのに十分強力であると予想されている。量子システムの複雑性と積分可能性/対称性の相互作用が量子ニューラルネットワークとしての性能を規定していることを示す。
論文参考訳（メタデータ） (2024-05-23T07:24:50Z)
End-to-end complexity for simulating the Schwinger model on quantum computers [0.6449786007855248]
シュウィンガーモデルハミルトニアンのブロック符号化の効率的な実装を提案する。エンド・ツー・エンドのアプリケーションとして、真空永続振幅を計算する。本研究は,FTQC時代の量子コンピュータの性能予測に関する知見を提供する。
論文参考訳（メタデータ） (2023-11-29T06:36:11Z)
Active Learning of Quantum System Hamiltonians yields Query Advantage [3.07869141026886]
ハミルトン学習は量子システムの同定、校正、量子コンピュータの動作成功において重要な手順である。ハミルトン学習の標準的な技術は、標準的な量子限界のため、クエリを慎重に設計し、学習エラーを$epsilon$を達成するために$O(epsilon-2)$クエリを必要とする。本稿では,最初のトレーニング例と,量子システムを対話的にクエリして新しいトレーニングデータを生成する機能を備えたアクティブラーナーを紹介する。
論文参考訳（メタデータ） (2021-12-29T13:45:12Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
Calculation of generating function in many-body systems with quantum computers: technical challenges and use in hybrid quantum-classical methods [0.0]
ハミルトニアン$H$の生成関数は$F(t)=langle e-itHrangle$と定義される。量子多体問題の解法として,この関数の情報を古典計算機で後続的に用いる方法を示す。
論文参考訳（メタデータ） (2021-04-16T15:44:27Z)
Learning Set Functions that are Sparse in Non-Orthogonal Fourier Bases [73.53227696624306]
フーリエスパース集合関数を学習するための新しいアルゴリズム群を提案する。 Walsh-Hadamard変換に焦点をあてた他の研究とは対照的に、我々の新しいアルゴリズムは最近導入された非直交フーリエ変換で機能する。いくつかの実世界のアプリケーションで有効性を示す。
論文参考訳（メタデータ） (2020-10-01T14:31:59Z)
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$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文参考訳（メタデータ） (2020-07-28T14:52:28Z)
Efficient ancilla-free reversible and quantum circuits for the Hidden Weighted Bit function [7.140119152422295]
一般的には、隠れ重み付きビット関数は可逆アンシラ自由回路による実装において指数関数的に困難である。我々はサイズ$O(n6.42)$の可逆アンシラフリー回路を開発し、$n$はビット数である。また、この関数はサイズ$O(n2)$の量子アンシラ自由回路で計算可能であることを示す。
論文参考訳（メタデータ） (2020-07-10T16:30:58Z)
Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。