論文の概要: A machine learning based approach to the identification of spectral densities in quantum open systems

• arxiv url: http://arxiv.org/abs/2507.13730v1
• Date: Fri, 18 Jul 2025 08:23:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.222363
• Title: A machine learning based approach to the identification of spectral densities in quantum open systems
• Title（参考訳）: 量子オープンシステムにおけるスペクトル密度同定のための機械学習アプローチ
• Authors: Jessica Barr, Shreyasi Mukherjee, Alessandro Ferraro, Mauro Paternostro, Giorgio Zicari,
• Abstract要約: オープン量子システムの力学に影響を与える環境を特徴付けるための機械学習に基づく手法を提案する。 我々は、スペクトル密度で強みを符号化したシステムと環境の相互作用が純粋に劣化を引き起こす、正確に解けるスピン-ボソンモデルの場合に焦点を当てる。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a machine learning-based approach for characterising the environment that affects the dynamics of an open quantum system. We focus on the case of an exactly solvable spin-boson model, where the system-environment interaction, whose strength is encoded in the spectral density, induces pure dephasing. By using artificial neural networks trained on the Fourier-transformed time evolution of some observables of the system, we perform both classification -- distinguishing sub-Ohmic, Ohmic, and super-Ohmic spectral densities -- and regression -- thus estimating key parameters of the spectral density function, when the latter is expressed through a power law. Our results demonstrate high classification accuracy and robust parameter estimation, highlighting the potential of machine learning as a powerful tool for probing environmental features in quantum systems and advancing quantum noise spectroscopy.
• Abstract（参考訳）: オープン量子システムの力学に影響を与える環境を特徴付けるための機械学習に基づく手法を提案する。 我々は、スペクトル密度で強みを符号化したシステムと環境の相互作用が純粋に劣化を引き起こす、正確に解けるスピン-ボソンモデルの場合に焦点を当てる。 システムの観測可能な部分のフーリエ変換時間進化に基づいてトレーニングされた人工ニューラルネットワークを使用することで、サブオーミック、オーミック、超オーミックスペクトル密度の区別と回帰の両方の分類を行い、後者が電力法則によって表されるときのスペクトル密度関数の重要なパラメータを推定する。 本結果は,量子システムにおける環境特性の探索と量子ノイズスペクトロスコピーの進展のための強力なツールとして,機械学習の可能性を強調し,高い分類精度とロバストなパラメータ推定を示す。

関連論文リスト

• Anticipating Decoherence: a Predictive Framework for Enhancing Coherence in Quantum Emitters [96.41185946460115]
  遠隔量子エミッタにおける予測とデコヒーレンスエンジニアリングのための予測フレームワークを開発する。 限られたデータに基づいてトレーニングされた機械学習モデルは、目に見えないスペクトルの振る舞いを正確に予測できることを示す。 これらの結果は、スケーラブル量子システムにおけるリアルタイムデコヒーレンスエンジニアリングの道を開いた。
  論文  参考訳（メタデータ） (2025-08-04T17:23:14Z)
• Inverse Physics-informed neural networks procedure for detecting noise in open quantum systems [0.0]
  我々は、逆物理インフォームドニューラルネットワーク(PINNverse)フレームワークをリンドブラッドマスター方程式が支配するオープン量子システムに拡張する。 2ビットオープンシステムの数値シミュレーションにより,提案手法の有効性とロバスト性を示す。 この結果から、PINNverseは量子システム識別のためのスケーラブルで耐雑音性のあるフレームワークであり、量子制御やエラー軽減に応用できる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-07-16T18:03:48Z)
• Machine Learning-Enhanced Characterisation of Structured Spectral Densities: Leveraging the Reaction Coordinate Mapping [41.94295877935867]
  スペクトル密度は、開量子系におけるシステム-環境相互作用に関する必須情報を符号化する。 反応座標マッピングを用いて,機械学習を利用して重要な環境特徴を再構築する。 ローレンツピークの和として表されるスペクトル密度が構造化された散逸スピンボソンモデルに対し、観測可能なシステムの時間進化はニューラルネットワークによって1、2、3ローレンツピークのスペクトル密度を分類することができることを示す。
  論文  参考訳（メタデータ） (2025-01-13T17:02:04Z)
• Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
  Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。 我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• 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)
• Spectral Density Classification For Environment Spectroscopy [44.99833362998488]
  環境の特徴を再構築するために,機械学習技術の可能性を活用する。 スピンボソンモデルの関連する例としては、環境のオーミック性パラメータをOhmic、sub-Ohmic、Super-Ohmicのいずれかとして高精度に分類することができる。
  論文  参考訳（メタデータ） (2023-08-01T20:42:59Z)
• Probing spectral features of quantum many-body systems with quantum simulators [0.0]
  我々は,量子シミュレータを用いた量子多体系の励起スペクトルを探索する枠組みを確立する。 遷移エネルギー推定の時間的複雑さは、シミュレーション精度に対数的依存を持つことを示す。 スピン格子モデルの励起スペクトルをIBM量子デバイスで実験的に探索する方法を実証する。
  論文  参考訳（メタデータ） (2023-05-12T17:58:44Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Self-consistent noise characterization of quantum devices [0.0]
  我々は,単純な予測ノイズモデルに単一量子ビットのデフォーカスを引き起こす量子環境の低減手法を開発した。 我々は、ナノスケールの空間分解能、ダイヤモンド中の2つの電子スピンが経験するノイズを特徴付けることによって、我々のアプローチのパワーと限界を実証する。
  論文  参考訳（メタデータ） (2022-10-17T19:10:56Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)

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。