論文の概要: Hamiltonian Learning via Inverse Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2506.10379v1
• Date: Thu, 12 Jun 2025 06:09:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.596148
• Title: Hamiltonian Learning via Inverse Physics-Informed Neural Networks
• Title（参考訳）: 逆物理インフォームドニューラルネットワークによるハミルトン学習
• Authors: Jie Liu, Xin Wang,
• Abstract要約: Hamiltonian Learning (HL)は、システムパラメータと基礎となるダイナミクスの正確な推定を可能にする。 機械学習手法に直接シュリンガー方程式を組み込むアプローチとして,ハミルトニアン学習のためのテキスト逆物理情報ニューラルネットワーク(iPINN-HL)を提案する。 我々は,iPINN-HLをディープ・ニューラル・ネットワークベースの量子状態トモグラフィー法(DNN-HL)と比較し,その有効性を実証した。
• 参考スコア（独自算出の注目度）: 8.704794234217838
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hamiltonian learning (HL), enabling precise estimation of system parameters and underlying dynamics, plays a critical role in characterizing quantum systems. However, conventional HL methods face challenges in noise robustness and resource efficiency, especially under limited measurements. In this work, we present \textit{Inverse Physics-Informed Neural Networks for Hamiltonian Learning (iPINN-HL)}, an approach that embeds the Schr\"{o}dinger equation directly into the machine learning procedure. This formulation allows the model to integrate both observational data and known physical laws to infer Hamiltonian parameters with greater accuracy and resource efficiency. We benchmark iPINN-HL against a deep-neural-network-based quantum state tomography method (denoted as DNN-HL) and demonstrate its effectiveness across several different scenarios, including one-dimensional spin chains, cross-resonance gate calibration, crosstalk identification, and real-time compensation to parameter drift. Our results show that iPINN-HL can approach the Heisenberg limit in certain settings and exhibits robustness to noises, while outperforming DNN-HL in accuracy and resource efficiency. Therefore, iPINN-HL is a powerful and flexible framework for quantum system characterization for practical tasks.
• Abstract（参考訳）: システムパラメータと基礎となる力学の正確な推定を可能にするハミルトン学習(HL)は、量子システムを特徴づける上で重要な役割を果たす。 しかし、従来のHL法は、特に限られた測定条件下では、ノイズ堅牢性と資源効率の課題に直面している。 そこで本研究では,機械学習の手順に直接,Schr\"{o}dinger方程式を組み込むアプローチとして,ハミルトニアン学習のための「textit{Inverse Physics-Informed Neural Networks for Hamiltonian Learning (iPINN-HL)}を提案する。 この定式化により、観測データと既知の物理法則を統合してハミルトンパラメータをより精度と資源効率で推測することができる。 我々は、ディープニューラルネットワークベースの量子状態トモグラフィー法(DNN-HL)に対して、iPINN-HLをベンチマークし、1次元スピンチェーン、クロス共振ゲートキャリブレーション、クロストーク識別、パラメータドリフトに対するリアルタイム補償など、様々なシナリオでその効果を実証する。 以上の結果から,iPINN-HLはハイゼンベルク限界に近づき,ノイズに頑健であり,DNN-HLの精度と資源効率は優れていた。 したがって、iPINN-HLは実用的なタスクのための量子システム特徴づけのための強力で柔軟なフレームワークである。

関連論文リスト

• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• 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)
• Port-Hamiltonian Neural Networks with Output Error Noise Models [2.144088660722956]
  ハミルトニアンニューラルネットワーク(HNN)は物理インフォームドディープラーニング手法の有望なクラスである。 工学系への直接的応用は、外部入力の存在、散逸、騒音測定など、実用的な問題によってしばしば問題視される。 本稿では,これらの実生活要因に対処するHNNの能力を高める新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-02-20T10:33:21Z)
• Noise-resistant adaptive Hamiltonian learning [30.632260870411177]
  データ解析と量子状態シミュレーションのための適応型ハミルトン学習(AHL)モデルを提案し、低効率性などの問題を克服する。 AHLに基づく雑音耐性量子ニューラルネットワーク(RQNN)を開発した。
  論文  参考訳（メタデータ） (2025-01-14T11:12:59Z)
• 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)
• Quantum time dynamics mediated by the Yang-Baxter equation and artificial neural networks [3.9079297720687536]
  本研究では,ニューラルネットワーク(ANN)とYang-Baxter方程式(YBE)を用いた量子エラーの緩和手法について検討する。 ノイズ低減のためのANNとYBEを組み合わせてノイズデータを生成する新しい手法を開発した。 このアプローチは量子シミュレーションにおけるノイズを効果的に低減し、結果の精度を高める。
  論文  参考訳（メタデータ） (2024-01-30T15:50:06Z)
• Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
  本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。 提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-11T13:25:45Z)
• 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)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。