論文の概要: Learning measurement-induced phase transitions using attention

• arxiv url: http://arxiv.org/abs/2508.15895v1
• Date: Thu, 21 Aug 2025 18:00:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.150589
• Title: Learning measurement-induced phase transitions using attention
• Title（参考訳）: 注意力を用いた計測誘起相転移の学習
• Authors: Hyejin Kim, Abhishek Kumar, Yiqing Zhou, Yichen Xu, Romain Vasseur, Eun-Ah Kim,
• Abstract要約: 我々はQuantum Attention Networks (QuAN) を用いたスケーラブルなデータ中心アプローチを導入し,測定誘起相転移を検出する。 我々はまず、QuANがMIPTを「学習可能性」遷移として解釈できることを示す。 サンプル効率で動機付け,弱・強モニタリングデータに代えて「位相認識」タスクを分類する手法を提案する。
• 参考スコア（独自算出の注目度）: 10.601354007979252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Measurement-induced phase transitions (MIPTs) epitomize new intellectual pursuits inspired by the advent of quantum hardware and the emergence of discrete and programmable circuit dynamics. Nevertheless, experimentally observing this transition is challenging, often requiring non-scalable protocols, such as post-selecting measurement trajectories or relying on classical simulations. We introduce a scalable data-centric approach using Quantum Attention Networks (QuAN) to detect MIPTs without requiring post-selection or classical simulation. Applying QuAN to dynamics generated by Haar random unitaries and weak measurements, we first demonstrate that it can pinpoint MIPTs using their interpretation as "learnability" transitions, where it becomes possible to distinguish two different initial states from the measurement record, locating a phase boundary consistent with exact results. Motivated by sample efficiency, we consider an alternative "phase recognition" task-classifying weak- and strong-monitoring data generated from a single initial state. We find QuAN can provide an efficient and noise-tolerant upper bound on the MIPT based on measurement data alone by coupling Born-distribution-level (inter-trajectory) and dynamical (temporal) attention. In particular, our inspection of the inter-trajectory scores of the model trained with minimal sample size processing test data confirmed that QuAN paid special attention to the tail of the distribution of the Born probabilities at early times. This reassuring interpretation of QuAN's learning implies the phase-recognition approach can meaningfully signal MIPT in an experimentally accessible manner. Our results lay the groundwork for observing MIPT on near-term quantum hardware and highlight attention-based architectures as powerful tools for learning complex quantum dynamics.
• Abstract（参考訳）: 測定誘起相転移(MIPT)は、量子ハードウェアの出現と離散的にプログラム可能な回路力学の出現に触発された新しい知的追求をエピトマイズする。 それでも、この遷移を実験的に観察することは困難であり、多くの場合、後続の計測軌跡や古典的なシミュレーションに依存するような、計算不能なプロトコルを必要とする。 本稿では,量子アテンションネットワーク(Quantum Attention Networks,Quantum Attention Networks,Quantum Attention Networks,Quantum Attention Networks,Quantum Attention Networks,Quantum Attention Networks,Quantum Attention Networks)を用いて,ポストセレクションや古典シミュレーションを必要とせずにMIPTを検出するスケーラブルなデータ中心アプローチを提案する。 QANをHaarランダムなユニタリと弱い測定によって生成されたダイナミックスに適用することにより、まず、MIPTを「学習可能性」遷移と解釈し、測定記録から2つの異なる初期状態を区別し、正確な結果と整合した位相境界を求めることができることを示す。 サンプル効率で動機付け,単一初期状態から生成した弱・強モニタリングデータを,代替の「位相認識」タスクとして分類する。 実測データのみに基づいて,QuANは,ボルン分布レベル(軌道間)と動的(時間的)の注意を結合することにより,MIPT上界を効率よく,かつ耐雑音性に富むことができることがわかった。 特に,最小限のサンプルサイズ処理試験データを用いて訓練したモデルの軌道間スコアの検査により,QuANが早期にボルン確率分布の尾に特別な注意を払っていることが確認された。 このQuANの学習を再保証する解釈は、位相認識アプローチがMIPTを実験的にアクセス可能な方法で有意義にシグナルを伝達できることを意味している。 本研究は,MIPTを短期量子ハードウェア上で観測し,複雑な量子力学を学習するための強力なツールとして注目に基づくアーキテクチャを強調した。

関連論文リスト

• Distributed quantum sensing with measurement-after-interaction strategies [1.8749305679160366]
  測定後相互作用(MAI)戦略は,検出ノイズに対するマルチパラメータ感度とロバスト性を大幅に向上させることができることを示す。 これらの結果は、原子アンサンブルや光学場のようなプラットフォームにおける即時的な実験的な実装の道を開く。
  論文  参考訳（メタデータ） (2025-05-08T14:16:34Z)
• Postselection-free experimental observation of the measurement-induced phase transition in circuits with universal gates [0.0]
  多体系は、システムが進化するにつれて測定される強度を調整することによって、エンタングリングとアンタングリングの動的相の間の相転移を示すことができる。 この現象は測定誘起相転移(MIPT)と呼ばれる。 単純な古典的復号法のみを用いて, ポストセレクションなしでMIPTを検出可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-03T19:00:01Z)
• Detecting Quantum and Classical Phase Transitions via Unsupervised Machine Learning of the Fisher Information Metric [0.0]
  そこで我々はClassiFIMと呼ばれる教師なし機械学習(ML)手法を開発した。 クラスiFIMは、トポロジカル(例えばXXZ鎖)と動的(例えば、ハバードモデルにおける金属絶縁体遷移)の両方を確実に検出する。
  論文  参考訳（メタデータ） (2024-08-06T19:34:04Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Learnability transitions in monitored quantum dynamics via eavesdropper's classical shadows [0.06640389895742692]
  量子システムから古典的な計測記録への情報フローの計測は、測定誘起相転移(MIPT)に対応して位相遷移を行うことを示す。 この遷移は、システムの未知の初期量子状態の性質を学習できる盗聴器(in)能力を決定する。 我々は、パウリ予想値、多体忠実度、および$U(1)$-symmetric dynamicsにおける大域電荷の3つの応用に焦点をあてる。
  論文  参考訳（メタデータ） (2023-07-27T17:14:02Z)
• Measurement-induced entanglement and teleportation on a noisy quantum processor [105.44548669906976]
  最大70個の超伝導量子ビット上の測定誘起量子情報相について検討した。 二重性マッピングを用いて、中間回路の測定を回避し、基礎となる位相の異なる表現にアクセスする。 我々の研究は、現在のNISQプロセッサの限界であるスケールでの計測誘起物理を実現するためのアプローチを示す。
  論文  参考訳（メタデータ） (2023-03-08T18:41:53Z)
• Probing the topological Anderson transition with quantum walks [48.7576911714538]
  光線形ネットワークにおける1次元量子ウォークについて考察する。 ウォーカーの確率分布を直接監視するオプションは、この光学プラットフォームを1次元トポロジカルアンダーソン転移のユニークなシグネチャの実験的観察に最適である。
  論文  参考訳（メタデータ） (2021-02-01T21:19:15Z)
• Unsupervised machine learning of topological phase transitions from experimental data [52.77024349608834]
  超低温原子からの実験データに教師なし機械学習技術を適用する。 我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。 我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2021-01-14T16:38:21Z)
• Unsupervised machine learning of quantum phase transitions using diffusion maps [77.34726150561087]
  本研究では, 測定データの非線形次元減少とスペクトルクラスタリングを行う拡散写像法が, 教師なしの複雑な位相遷移を学習する上で有意なポテンシャルを持つことを示す。 この方法は、局所観測可能量の単一の基底での測定に役立ち、多くの実験的な量子シミュレータに容易に適用できる。
  論文  参考訳（メタデータ） (2020-03-16T18:40:13Z)

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。