論文の概要: Artificial Intelligence for Quantum Matter: Finding a Needle in a Haystack

• arxiv url: http://arxiv.org/abs/2507.13322v2
• Date: Sun, 03 Aug 2025 15:00:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 14:07:57.582408
• Title: Artificial Intelligence for Quantum Matter: Finding a Needle in a Haystack
• Title（参考訳）: 量子物質のための人工知能:Haystackで針を見つける
• Authors: Khachatur Nazaryan, Filippo Gaggioli, Yi Teng, Liang Fu,
• Abstract要約: 任意の多体複素波動関数のNN表現を学習するための汎用的で効率的な方法を提案する。 99.9%のコストでオーバーラップした私たちは、分数量子ホールの問題を解決するために、事前トレーニングに神経波関数を使用します。 我々の研究は、汎用深部NNを用いた高絡み合い量子物質の効率的かつ正確なシミュレーションを実証する。
• 参考スコア（独自算出の注目度）: 0.5399800035598186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural networks (NNs) have great potential in solving the ground state of various many-body problems. However, several key challenges remain to be overcome before NNs can tackle problems and system sizes inaccessible with more established tools. Here, we present a general and efficient method for learning the NN representation of an arbitrary many-body complex wave function from its $N$-particle probability density and probability current density. Having reached overlaps as large as $99.9\%$, we employ our neural wave function for pre-training to effortlessly solve the fractional quantum Hall problem with Coulomb interactions and realistic Landau-level mixing for as many as $25$ particles. Our work demonstrates efficient, accurate simulation of highly-entangled quantum matter using general-purpose deep NNs enhanced with physics-informed initialization.
• Abstract（参考訳）: ニューラルネットワーク(NN)は、様々な多体問題の基底状態を解決する大きな可能性を秘めている。 しかし、NNがより確立されたツールでアクセスできない問題やシステムサイズに対処する前に、いくつかの重要な課題が克服される。 ここでは、任意の多体複素波動関数のNN表現を、その$N$粒子の確率密度と確率電流密度から学習する汎用的で効率的な方法を提案する。 99.9\%$のオーバーラップを達成し、クーロン相互作用による分数量子ホール問題と、最大25ドルの粒子で現実的なランダウレベルの混合を積極的に解くために、事前学習に神経波関数を用いる。 本研究は、物理インフォームド初期化により強化された汎用深部NNを用いて、高絡み合った量子物質の効率的かつ正確なシミュレーションを示す。

関連論文リスト

• 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)
• A Tutorial on the Use of Physics-Informed Neural Networks to Compute the Spectrum of Quantum Systems [0.9374652839580183]
  本稿では、あるポテンシャルに対してシュリンガー方程式を解くことができる物理インフォームドニューラルネットワーク(PINN)の構築方法について述べる。 PINNは、メッシュのない方法で積分差分方程式を解くために、自動微分を利用するディープラーニング手法である。
  論文  参考訳（メタデータ） (2024-07-30T09:07:03Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Can neural quantum states learn volume-law ground states? [0.0]
  本研究では,多層フィードフォワードネットワークに基づくニューラルネットワークの量子状態が,ボリューム-ローエンタングルメントエントロピーを示す基底状態を見つけることができるかを検討した。 このモデルの基礎状態を表すために、浅層および深層フィードフォワードのネットワークは指数関数的な数のパラメータを必要とすることがわかった。
  論文  参考訳（メタデータ） (2022-12-05T12:26:20Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Certifying Unknown Genuine Multipartite Entanglement by Neural Networks [1.8689488822130746]
  ニューラルネットワークは、この問題に対する優れた解決策を提供することができることを示す。 多くの特定の多部量子状態上で我々のモデルをテストすることにより、真の多部量子絡みを非常に正確に証明できることが示される。
  論文  参考訳（メタデータ） (2022-10-25T08:40:20Z)
• A single $T$-gate makes distribution learning hard [56.045224655472865]
  この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。 ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
  論文  参考訳（メタデータ） (2022-07-07T08:04:15Z)
• Scalable approach to many-body localization via quantum data [69.3939291118954]
  多体局在は、量子多体物理学の非常に難しい現象である。 計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。 我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
  論文  参考訳（メタデータ） (2022-02-17T19:00:09Z)
• Ab-Initio Potential Energy Surfaces by Pairing GNNs with Neural Wave Functions [2.61072980439312]
  本研究では、グラフニューラルネットワーク(GNN)とニューラルウェーブ関数を組み合わせることで、VMCを介して複数の測地に対するシュル「オーディンガー方程式」を同時に解く。 既存の最先端ネットワークと比較して、私たちのポテンシャルエネルギーサーフェスネットワーク(PESNet)は、複数のジオメトリーのトレーニングを最大40倍スピードアップし、その精度をマッチングまたは超過します。
  論文  参考訳（メタデータ） (2021-10-11T07:58:31Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Random Sampling Neural Network for Quantum Many-Body Problems [0.0]
  本稿では,対話型多体システムのランダムサンプリング行列要素に対して,自己教師型学習手法を用いてパターン認識手法を用いたランダムサンプリングニューラルネットワーク(Random Smpling Neural Networks, RNN)を提案する。 RSNNの適用性をテストするために、横フィールドを持つIsingモデル、Fermi-Hubbardモデル、Spin-$1/2$$XXZ$モデルなど、正確に解決可能ないくつかの1Dモデルが使用されている。
  論文  参考訳（メタデータ） (2020-11-10T15:52:44Z)
• 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)
• 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)

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。