論文の概要: Machine learning non-Markovian two-level quantum noise spectroscopy
- arxiv url: http://arxiv.org/abs/2506.06555v1
- Date: Fri, 06 Jun 2025 22:05:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:10.326043
- Title: Machine learning non-Markovian two-level quantum noise spectroscopy
- Title（参考訳）: 機械学習非マルコフ型2レベル量子ノイズ分光法
- Authors: Juan Manuel Scarpetta, John Henry Reina, Morten Hjorth-Jensen,
- Abstract要約: 我々は,非エルミート2レベルシステムのための量子ノイズスペクトルの自動評価のための機械学習モデルを開発した。
我々は、ランダムフォレスト、サポートベクトル、フィードフォワードニューラルネットワーク回帰アルゴリズムを用いて、2レベルシステムバス結合強度の高精度な回帰を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop machine learning models for the automated characterization of quantum noise spectroscopy for non-Hermitian two-level systems. We use the Random Forest, Support Vector and Feed-Forward Neural Network regression algorithms to perform a highly accurate regression of the two-level system-bath coupling strength. High accuracy Ohmicity classification was implemented to provide a complete characterization of the spectral density function. We define a time-averaged trace-distance metric to feed the machine learning algorithms which, together with numerically exact populations as inputs, produce a highly accurate non-Markovian regression spanning the transition from fast to slow baths and from weak to strong coupling regimes of the interaction. The dynamics database of the non-Hermitian systems has been built up within the independent spin-boson and pure dephasing model.
- Abstract（参考訳）: 我々は,非エルミート2レベルシステムのための量子ノイズスペクトルの自動評価のための機械学習モデルを開発した。
我々は、ランダムフォレスト、サポートベクトル、フィードフォワードニューラルネットワーク回帰アルゴリズムを用いて、2レベルシステムバス結合強度の高精度な回帰を行う。
スペクトル密度関数の完全なキャラクタリゼーションを提供するために,高精度なオーミシティ分類を実装した。
時間平均トレース距離メトリックを定義し,数値的精度の高い集団を入力とする機械学習アルゴリズムを用いて,高速浴から遅い浴への遷移と相互作用の弱い結合状態から強い結合状態への高度に正確な非マルコフ回帰を生成する。
非エルミート系の力学データベースは独立したスピンボソンと純粋なデファスモデルの中に構築されている。
関連論文リスト
- Enhanced Hamiltonian Learning Precision with Multi-Stage Neural Networks [10.285214278728528]
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。
論文 参考訳（メタデータ） (2025-03-10T14:10:59Z) - 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) - Transformer neural networks and quantum simulators: a hybrid approach for simulating strongly correlated systems [1.6494451064539348]
ニューラル量子状態(NQS)のハイブリッド最適化手法を提案する。
計算ベースからの射影測定と他の測定設定からの期待値の両方を用いることで、事前学習により状態の符号構造へのアクセスが可能になる。
我々の研究は、ニューラル量子状態の信頼性と効率的な最適化の道を開いた。
論文 参考訳（メタデータ） (2024-05-31T17:55:27Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Dynamics with autoregressive neural quantum states: application to
critical quench dynamics [41.94295877935867]
本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。
二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
論文 参考訳（メタデータ） (2022-09-07T15:50:00Z) - A comparative study of different machine learning methods for
dissipative quantum dynamics [0.0]
教師付き機械学習アルゴリズムは、散逸性量子系の長期集団動態を精度よく効率的に予測できることを示す。
調和浴に線形に結合した2レベル量子系の長期ダイナミクスを予測する能力について,22のMLモデルをベンチメイドした。
論文 参考訳（メタデータ） (2022-07-06T03:37:24Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - 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) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Combining data assimilation and machine learning to emulate a dynamical
model from sparse and noisy observations: a case study with the Lorenz 96
model [0.0]
この方法は、アンサンブルカルマンフィルタとニューラルネットワークを反復的にデータ同化ステップで適用することで構成される。
データ同化は、代理モデルとスパースデータとを最適に組み合わせるために用いられる。
出力分析は空間的に完全であり、サロゲートモデルを更新するためのニューラルネットワークによるトレーニングセットとして使用される。
カオス的な40変数Lorenz 96モデルを用いて数値実験を行い、提案手法の収束と統計的スキルの両立を証明した。
論文 参考訳（メタデータ） (2020-01-06T12:26:52Z)
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。