論文の概要: Quantum-informed machine learning for the prediction of chaotic dynamical systems
- arxiv url: http://arxiv.org/abs/2507.19861v3
- Date: Thu, 28 Aug 2025 11:18:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 13:55:31.543397
- Title: Quantum-informed machine learning for the prediction of chaotic dynamical systems
- Title（参考訳）: カオス力学系の予測のための量子インフォームド機械学習
- Authors: Maida Wang, Xiao Xue, Mingyang Gao, Peter V. Coveney,
- Abstract要約: 本稿では,高次元カオスシステムの長期動的挙動に対する量子インフォームド・機械学習(QIML)フレームワークを提案する。
本研究では, 倉本-シヴァシンスキー方程式, 2次元コルモゴロフ流, 完全に発達した3次元乱流流の断面の3つの代表系についてQIMLを評価する。
- 参考スコア（独自算出の注目度）: 1.5216516276847551
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a quantum-informed machine learning (QIML) framework for the long-term dynamical behavior of high-dimensional chaotic systems. The method combines a one-time, offline-trained quantum generative model with a classical autoregressive predictor for spatiotemporal field generation. The quantum model learns a quantum prior (Q-Prior) that guides the representation of small-scale interactions and improves the modeling of fine-scale dynamics. We evaluate QIML on three representative systems: the Kuramoto-Sivashinsky equation, the two-dimensional Kolmogorov flow, and a cross-section of fully developed three-dimensional turbulent channel flow used as a realistic inflow condition. Compared to the classical baseline, QIML yields up to 17.25% improvement in predictive distribution accuracy and a 29.36% improvement in the fidelity of the predicted full energy spectrum. For turbulent channel inflow, the Q-Prior is essential: without it, the model fails to evolve in time, while QIML produces stable, physically consistent forecasts that surpass leading machine learning models for PDEs, including the Fourier Neural Operator and Markov Neural Operator, whose errors diverge. Beyond accuracy, QIML also achieves a memory advantage, compressing multi-megabyte datasets into a kilobyte-scale Q-Prior that captures only the invariant measure needed to guide the classical model, thus circumventing Holevo's bound by avoiding full data reconstruction. Our findings provide a practical and scalable pathway for integrating the advantages brought by quantum devices into large-scale scientific, engineering modeling and simulation.
- Abstract（参考訳）: 本稿では,高次元カオスシステムの長期動的挙動に対する量子インフォームド・機械学習(QIML)フレームワークを提案する。
この手法は、1回オフラインでトレーニングされた量子生成モデルと時空間生成のための古典的自己回帰予測器を組み合わせる。
量子モデルは、小さな相互作用の表現を導く量子先行(Q-Prior)を学び、微細な力学のモデリングを改善する。
本研究では, 倉本-シヴァシンスキー方程式, 2次元コルモゴロフ流, および現実的な流入条件として用いられる3次元乱流流の断面の3つの代表系についてQIMLを評価する。
古典的なベースラインと比較して、QIMLは予測分布精度を最大17.25%改善し、予測された全エネルギースペクトルの忠実度を29.36%改善する。
乱流チャネルの流入の場合、Q-Priorは必須である:QIMLは時間内にモデルを進化させず、QIMLは、エラーが分岐するフーリエニューラル演算子やマルコフニューラル演算子など、PDEの主要な機械学習モデルを上回る安定した物理的に一貫した予測を生成する。
正確性以外にも、QIMLはメモリ上の優位性も達成しており、マルチメガバイトのデータセットをキロバイトスケールのQ-Priorに圧縮することで、古典的なモデルを導くのに必要な不変測度のみをキャプチャし、完全なデータ再構成を避けることで、ホレボの境界を回避している。
我々の発見は、量子デバイスがもたらす利点を大規模科学的、工学的モデリングとシミュレーションに統合するための実用的でスケーラブルな経路を提供する。
関連論文リスト
- Experimental quantum reservoir computing with a circuit quantum electrodynamics system [0.9786690381850356]
量子貯水池コンピューティングは、他の量子ニューラルネットワークモデルと比較してトレーニングの容易さを提供する機械学習フレームワークである。
本稿では,回路量子電気力学アーキテクチャに基づく新しい量子貯水池計算プラットフォームを提案し,実験的に実装する。
我々の研究は、ハードウェア効率のよい量子ニューラルネットワークの実装を示し、他の量子機械学習モデルにさらにスケールアップして一般化することができる。
論文 参考訳（メタデータ） (2025-06-27T08:31:36Z) - Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。
このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
論文 参考訳（メタデータ） (2025-05-28T16:50:05Z) - Characterizing Non-Markovian Dynamics of Open Quantum Systems [0.0]
我々はTCLマスター方程式を用いて非マルコフ進化を特徴付ける構造保存手法を開発した。
本稿では,ローレンス・リバモア国立研究所のQuantum Device Integration Testbed (QuDIT) における超伝導量子ビットの実験データを用いた手法について述べる。
これらの知見は、短期量子プロセッサにおける量子制御とエラー軽減に寄与する、オープン量子システムの効率的なモデリング戦略に関する貴重な洞察を提供する。
論文 参考訳（メタデータ） (2025-03-28T04:43:24Z) - Quantum reservoir computing on random regular graphs [0.0]
量子貯水池コンピューティング(QRC)は、入力駆動多体量子システムと古典的な学習技術を組み合わせた低複雑性学習パラダイムである。
我々は、情報局在化、動的量子相関、および乱れハミルトニアンの多体構造について研究する。
そこで本研究では、乱れたアナログ量子学習プラットフォームの最適設計のためのガイドラインを提供する。
論文 参考訳（メタデータ） (2024-09-05T16:18:03Z) - 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) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Higher order quantum reservoir computing for non-intrusive reduced-order models [0.0]
量子貯水池計算技術(QRC)は、相互接続された小さな量子系のアンサンブルを利用するハイブリッド量子古典的フレームワークである。
QRCは, 複雑な非線形力学系を安定かつ高精度に予測できることを示す。
論文 参考訳（メタデータ） (2024-07-31T13:37:04Z) - Data-Driven Characterization of Latent Dynamics on Quantum Testbeds [0.23408308015481663]
我々は、パラメータ化された元項でリンドブラッドマスター方程式によって記述された量子系の力学方程式を拡大する。
本稿では,線形演算子に基づいてパラメータ化された発散潜在力学からユニタリを学習し,区別する拡張を保存する構造について考察する。
我々は、我々の解釈、構造保存、非線形モデルがリンドブラッドマスター方程式の予測精度を向上させることを実証した。
論文 参考訳（メタデータ） (2024-01-18T09:28:44Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - Efficient estimation of trainability for variational quantum circuits [43.028111013960206]
変動量子回路のコスト関数とその分散を効率よく計算する方法を見出した。
この方法は、変分量子回路のトレーニング容易性を証明し、バレンプラトー問題を克服できる設計戦略を探索するために用いられる。
論文 参考訳（メタデータ） (2023-02-09T14:05:18Z) - 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) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z) - 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)
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。