論文の概要: HMAE: Self-Supervised Few-Shot Learning for Quantum Spin Systems

• arxiv url: http://arxiv.org/abs/2505.03140v1
• Date: Tue, 06 May 2025 03:32:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.186507
• Title: HMAE: Self-Supervised Few-Shot Learning for Quantum Spin Systems
• Title（参考訳）: HMAE:量子スピンシステムのためのセルフスーパービジョンFew-Shot Learning
• Authors: Ibne Farabi Shihab, Sanjeda Akter, Anuj Sharma,
• Abstract要約: Hamiltonian-Masked Autoencoding (HMAE) は、未ラベル量子ハミルトニアンのトランスフォーマーを事前訓練する自己教師型フレームワークである。 HMAEは位相分類において85.3%$pm$ 1.5%の精度、基底状態のエネルギー予測において0.02 eV MAEにおいて0.15$pm$0.02の精度を達成する。
• 参考スコア（独自算出の注目度）: 2.1797343876622097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning for spin and molecular systems faces critical challenges of scarce labeled data and computationally expensive simulations. To address these limitations, we introduce Hamiltonian-Masked Autoencoding (HMAE), a novel self-supervised framework that pre-trains transformers on unlabeled quantum Hamiltonians, enabling efficient few-shot transfer learning. Unlike random masking approaches, HMAE employs a physics-informed strategy based on quantum information theory to selectively mask Hamiltonian terms based on their physical significance. Experiments on 12,500 quantum Hamiltonians (60% real-world, 40% synthetic) demonstrate that HMAE achieves 85.3% $\pm$ 1.5% accuracy in phase classification and 0.15 $\pm$ 0.02 eV MAE in ground state energy prediction with merely 10 labeled examples - a statistically significant improvement (p < 0.01) over classical graph neural networks (78.1% $\pm$ 2.1%) and quantum neural networks (76.8% $\pm$ 2.3%). Our method's primary advantage is exceptional sample efficiency - reducing required labeled examples by 3-5x compared to baseline methods - though we emphasize that ground truth values for fine-tuning and evaluation still require exact diagonalization or tensor networks. We explicitly acknowledge that our current approach is limited to small quantum systems (specifically limited to 12 qubits during training, with limited extension to 16-20 qubits in testing) and that, while promising within this regime, this size restriction prevents immediate application to larger systems of practical interest in materials science and quantum chemistry.
• Abstract（参考訳）: スピンおよび分子系の量子機械学習は、ラベル付きデータや計算コストの低いシミュレーションにおいて重要な課題に直面している。 これらの制限に対処するために、未ラベルの量子ハミルトニアンのトランスフォーマーを事前訓練し、効率的な数発の転送学習を可能にする、新しい自己教師型フレームワークHMAE(Hanadian-Masked Autoencoding)を導入する。 ランダムマスキングのアプローチとは異なり、HMAEは量子情報理論に基づく物理インフォームド戦略を用いて、その物理的重要性に基づいてハミルトン項を選択的にマスキングする。 12,500人の量子ハミルトン(実世界の60%、合成世界の40%)の実験では、HMAEの位相分類における精度は85.3%$\pm$ 1.5%、基底状態のエネルギー予測では0.15$\pm$0.02 eV MAEが10個のラベル付き例で達成されている(古典的なグラフニューラルネットワーク(78.1%$\pm$ 2.1%)と量子ニューラルネットワーク(76.8%$\pm$ 2.3%)。 提案手法の主な利点はサンプル効率であり, 基準法に比べて3～5倍のラベル付きサンプルを削減できるが, 微調整や評価を行う上では, 正確な対角化やテンソルネットワークが必要である。 我々の現在のアプローチは(特に訓練中に12キュービットに制限され、試験中に16～20キュービットに制限されている)小さな量子システムに限られていることを明確に認めており、この体制内では約束されているが、このサイズ制限は、材料科学と量子化学に実際的な関心を持つより大きなシステムへの即時適用を妨げている。

関連論文リスト

• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Federated Quantum-Train with Batched Parameter Generation [3.697453416360906]
  我々は、QTモデルをフェデレートラーニングに統合する、Federated Quantum-Train(QT)フレームワークを紹介する。 提案手法は, 一般化誤差を低減しつつ, 量子ビット使用量を19から8キュービットまで大幅に削減する。
  論文  参考訳（メタデータ） (2024-09-04T14:39:11Z)
• Relativistic VQE calculations of molecular electric dipole moments on trapped ion quantum hardware [0.4074484551332309]
  本研究では,従来のコンピュータ上でのBeH分子とRaH分子の永久電気双極子モーメント(PDM)を計算するために,高精度な18量子相対論的VQEシミュレーションを提案する。 本稿では,ZX-Calculusルーチンを保存するための強化学習や因果フロー,エラー軽減,選択後のテクニックなど,さまざまなリソース削減手法を適用する。 我々の12量子回路の2量子ゲート数を99.71%削減し、古典的な評価では2.35%の精度でPDMのトレードオフを行う。
  論文  参考訳（メタデータ） (2024-06-07T15:04:28Z)
• Benchmarking digital quantum simulations above hundreds of qubits using quantum critical dynamics [42.29248343585333]
  最大133キュービットの量子ハードウェアとエラー軽減手法をベンチマークする。 最大2量子ゲート幅は28で、最大1396個の2量子ゲートを持つ。 結果はハミルトンシミュレーション、変分アルゴリズム、最適化、量子機械学習などのアプリケーションに転送可能である。
  論文  参考訳（メタデータ） (2024-04-11T18:00:05Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QuanTest: Entanglement-Guided Testing of Quantum Neural Network Systems [45.18451374144537]
  量子ニューラルネットワーク(QNN)は、ディープラーニング(DL)原理と量子力学の基本理論を組み合わせて、量子加速による機械学習タスクを実現する。 QNNシステムは従来の量子ソフトウェアと古典的なDLシステムとは大きく異なり、QNNテストにとって重要な課題となっている。 QNNシステムにおける潜在的誤動作を明らかにするために,量子絡み合い誘導型対向テストフレームワークであるQuanTestを提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:11:28Z)
• Precision ground-state energy calculation for the water molecule on a superconducting quantum processor [0.0]
  大規模分子系の特性の正確な計算は古典的には実現不可能であり、量子コンピュータが古典的デバイスに対して優位性を示すことを期待する応用の1つである。 本稿では,量子計算モーメント (QCM) 法と様々なノイズ緩和法を組み合わせた水分子 (H$O) の8 qubit/spin-orbital表現に適用する。 4励振試験状態(回路深度25,22CNOTs)の変動に対するノイズ安定改善を行い, 地中エネルギーは1.4pm1.2$ m以内と計算した。
  論文  参考訳（メタデータ） (2023-11-05T01:05:58Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• 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)

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。