論文の概要: Universal quantum phase classification on quantum computers from machine learning
- arxiv url: http://arxiv.org/abs/2508.04774v1
- Date: Wed, 06 Aug 2025 18:00:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 18:59:39.602781
- Title: Universal quantum phase classification on quantum computers from machine learning
- Title（参考訳）: 機械学習による量子コンピュータの普遍量子位相分類
- Authors: Weicheng Ye, Shuwei Liu, Shiyu Zhou, Yijian Zou,
- Abstract要約: シャドウトモグラフィーと現代の時系列機械学習モデルを組み合わせた新しいフレームワークを提案する。
提案手法は、有限深部局所ユニタリ回路による接続性に基づく量子位相の定義を利用する。
我々は、訓練データを処理し、普遍的な量子位相分類を実現するために、先進的な時系列モデルを用いることを実証した。
- 参考スコア（独自算出の注目度）: 4.838808905356641
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The classification of quantum phases of matter remains a fundamental challenge in condensed matter physics. We present a novel framework that combines shadow tomography with modern time-series machine learning models to enable efficient and practical quantum phase classification. Our approach leverages the definition of quantum phases based on connectivity through finite-depth local unitary circuits, generating abundant training data by applying Haar random evolution to representative quantum states for a given phase. In this way, the training data can be efficiently obtained from a quantum simulator. Additionally, we demonstrate that advanced time-series models can be used to process the training data and achieve universal quantum phase classification that does not rely on local order parameters. To validate the universality and versatility of our method, we test the model against one-dimensional quantum spin chains such as the Ising model and the axial next-nearest-neighbor Ising (ANNNI) model, showing excellent agreement with known phase boundaries.
- Abstract（参考訳）: 物質の量子相の分類は、凝縮物質物理学の基本的な課題である。
本稿では,シャドウトモグラフィーと現代の時系列機械学習モデルを組み合わせて,効率的かつ実用的な量子位相分類を実現する新しいフレームワークを提案する。
提案手法は, 有限深度局所ユニタリ回路による接続性に基づく量子相の定義を活用し, 与えられた位相に対する代表量子状態にハールランダム進化を適用することにより, 豊富なトレーニングデータを生成する。
このようにして、トレーニングデータを量子シミュレータから効率的に得ることができる。
さらに、訓練データを処理し、局所的な順序パラメータに依存しない普遍的な量子位相分類を実現するために、先進的な時系列モデルを用いることを実証する。
本手法の普遍性と汎用性を検証するため,IsingモデルやANNNIモデルのような1次元量子スピン鎖に対して実験を行った。
関連論文リスト
- Train on classical, deploy on quantum: scaling generative quantum machine learning to a thousand qubits [0.27309692684728604]
量子回路に基づく瞬時生成モデルは,古典的ハードウェア上で効率的に学習可能であることを示す。
データ依存型パラメータ初期化戦略と組み合わせることで、不規則な高原の問題に遭遇することはない。
量子モデルは高次元データからうまく学習でき、単純なエネルギーベースの古典的生成モデルと比較して驚くほどよく機能する。
論文 参考訳（メタデータ） (2025-03-04T19:00:02Z) - Quantum automated learning with provable and explainable trainability [4.305036822025956]
量子自動学習では、変動パラメータが関与せず、トレーニングプロセスが量子状態の準備に変換される。
このようなトレーニングプロセスは、想像的時間進化による量子状態の生成の観点から理解することができることを示す。
この結果は、証明可能で説明可能なトレーニング性を備えた勾配のない非従来型量子学習戦略を確立した。
論文 参考訳（メタデータ） (2025-02-07T19:00:02Z) - 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) - Exploring quantum localization with machine learning [39.58317527488534]
本稿では、その局所化の観点から、波動関数を分類するための効率的なニューラルネットワーク(NN)アーキテクチャを提案する。
提案手法は, 量子位相空間のパラメトリゼーションにより, 改良畳み込みモデルのパターン認識機能と, 独自の「量子」NNへと導かれる。
論文 参考訳（メタデータ） (2024-06-01T08:50:26Z) - Unveiling quantum phase transitions from traps in variational quantum algorithms [0.0]
量子最適化と古典的機械学習を組み合わせたハイブリッドアルゴリズムを提案する。
従来の位相遷移の同定にはLASSO、トポロジカル遷移にはTransformerモデルを用いる。
リゲッティのAnkaa 9Q-1量子コンピュータで数値シミュレーションと実ハードウェア実験を行った。
論文 参考訳（メタデータ） (2024-05-14T09:01:41Z) - Quantum Classical Algorithm for the Study of Phase Transitions in the Hubbard Model via Dynamical Mean-Field Theory [0.0]
本稿では, 量子コンピューティング, 多体理論, 量子機械学習を連携させて, 強相関系の研究を行うワークフローを提案する。
DMFT近似におけるHubbardモデルのゼロ温度波動関数のデータベースを生成する。
次に、QMLアルゴリズムを用いて金属相とモット絶縁体相を区別し、金属-モット絶縁体相転移を捉える。
論文 参考訳（メタデータ） (2023-08-02T19:11:04Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。
我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。
第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文 参考訳（メタデータ） (2023-04-18T18:23:20Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits
at Exascale [57.84751206630535]
本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。
新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。
ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
論文 参考訳（メタデータ） (2021-04-21T13:26:42Z) - Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。
MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
論文 参考訳（メタデータ） (2020-12-08T01:10:30Z) - Experimental Quantum Generative Adversarial Networks for Image
Generation [93.06926114985761]
超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。
我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
論文 参考訳（メタデータ） (2020-10-13T06:57:17Z)
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。