論文の概要: Fourier Neural Operators for Time-Periodic Quantum Systems: Learning Floquet Hamiltonians, Observable Dynamics, and Operator Growth

• arxiv url: http://arxiv.org/abs/2509.07084v1
• Date: Mon, 08 Sep 2025 18:00:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.062962
• Title: Fourier Neural Operators for Time-Periodic Quantum Systems: Learning Floquet Hamiltonians, Observable Dynamics, and Operator Growth
• Title（参考訳）: 時間周期量子システムのためのフーリエニューラル演算子:フロケットハミルトニアンの学習、可観測ダイナミクス、演算子成長
• Authors: Zihao Qi, Yang Peng, Christopher Earls,
• Abstract要約: 時間周期量子系は様々な遠方平衡現象を示し、量子工学と制御の理想的な基盤として機能する。 非平衡量子力学のための効率的で正確でスケーラブルなサロゲートとしてフーリエニューラル演算子(FNO)を導入する。 この結果は、FNOを非平衡量子力学予測のための汎用的でスケーラブルなサロゲートとして確立し、短期量子コンピュータからのデータ処理への応用の可能性を示した。
• 参考スコア（独自算出の注目度）: 8.415180820101964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-periodic quantum systems exhibit a rich variety of far-from-equilibrium phenomena and serve as ideal platforms for quantum engineering and control. However, simulating their dynamics with conventional numerical methods remains challenging due to the exponential growth of Hilbert space dimension and rapid spreading of entanglement. In this work, we introduce Fourier Neural Operators (FNO) as an efficient, accurate, and scalable surrogate for non-equilibrium quantum dynamics. Parameterized in Fourier space, FNO naturally captures temporal correlations and remains minimally dependent on discretization of time. We demonstrate the versatility of FNO through three complementary learning paradigms: reconstructing effective Floquet Hamiltonians, predicting expectation values of local observables, and learning quantum information spreading. For each learning task, FNO achieves remarkable accuracy, while attaining a significant speedup, compared to exact numerical methods. Moreover, FNO possesses a remarkable capacity to transfer learning across different temporal discretizations and system driving frequencies. We also show that FNO can extrapolate beyond the time window provided by training data, enabling access to observables and operator-spreading dynamics that might otherwise be difficult to obtain. By employing an appropriate local basis, we argue that the computational cost of FNOs scales only polynomially with the system size. Our results establish FNO as a versatile and scalable surrogate for predicting non-equilibrium quantum dynamics, with potential applications to processing data from near-term quantum computers.
• Abstract（参考訳）: 時間周期量子系は様々な遠方平衡現象を示し、量子工学と制御の理想的な基盤として機能する。 しかし、ヒルベルト空間次元の指数的成長と絡み合いの急速な広がりにより、従来の数値法でそれらの力学をシミュレートすることは依然として困難である。 本研究では、非平衡量子力学のための効率的で正確でスケーラブルなサロゲートとしてフーリエニューラル演算子(FNO)を導入する。 フーリエ空間でパラメータ化され、FNOは時間的相関を自然に捉え、時間の離散化に最小限依存する。 実効的フロッケハミルトニアンの再構築,局所観測可能量の期待値の予測,および量子情報の拡散学習という3つの相補的学習パラダイムによるFNOの汎用性を実証する。 各学習タスクにおいて、FNOは、正確な数値法と比較して、顕著なスピードアップを達成しつつ、顕著な精度を達成する。 さらに、FNOは、異なる時間的離散化とシステム駆動周波数で学習を伝達する顕著な能力を持っている。 また、FNOはトレーニングデータによって提供されるタイムウインドウを超えて外挿可能であり、観測可能変数や演算子にまたがるダイナミクスへのアクセスが困難であることを示す。 本研究では,FNOの計算コストがシステムサイズと多項式的にしか一致しないことを論じる。 この結果は、FNOを非平衡量子力学予測のための汎用的でスケーラブルなサロゲートとして確立し、短期量子コンピュータからのデータ処理への応用の可能性を示した。

関連論文リスト

• Continuous-time parametrization of neural quantum states for quantum dynamics [17.826631514127012]
  ニューラル量子状態は、多体量子力学をシミュレートするための有望なフレームワークである。 我々は、制限されたボルツマンマシンを瞬時ニューラルネットワークアーキテクチャとして用いて、正確な時間進化を実証する。
  論文  参考訳（メタデータ） (2025-07-11T09:05:16Z)
• Unraveling Quantum Environments: Transformer-Assisted Learning in Lindblad Dynamics [0.0]
  本稿では,量子システムにおける時間依存散逸率を推定するためのTransformerベースの機械学習フレームワークを提案する。 複雑性を増大させるオープン量子モデルの階層化に対する我々のアプローチの有効性を実証する。 我々の結果は、現代の機械学習ツールが、オープン量子システムにおける未知の環境を特定するためのスケーラブルでデータ駆動の代替手段として役立つことを示唆している。
  論文  参考訳（メタデータ） (2025-05-11T10:18:19Z)
• Dissipation-induced Quantum Homogenization for Temporal Information Processing [44.99833362998488]
  量子貯水池は、ハミルトニアンパラメータの精密な制御や微調整なしに、情報処理やターゲット時系列生成に量子システムの複雑なリアルタイム散逸ダイナミクスを利用するため、大きなポテンシャルを持つ。 本稿では, 分散量子ホモジェナイザーを代替プラットフォームとして提案し, 貯水池力学の必要十分かつ十分な条件 – 安定性と収縮性 – を満たすことを証明する。 その結果、核磁気共鳴アンサンブルまたはフォトニック系として物理的に実装可能な量子均質化プロトコルが、貯水池コンピュータとして機能する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-12-13T09:05:41Z)
• Neural Quantum Propagators for Driven-Dissipative Quantum Dynamics [0.0]
  我々は、駆動散逸型量子力学を解く普遍的なニューラルネットワークフレームワークである、駆動型量子プロパゲータ(NQP)を開発した。 NQPは任意の初期量子状態を処理することができ、様々な外部フィールドに適応し、より短い時間窓で訓練された場合でも、長時間のダイナミクスをシミュレートすることができる。 スピンボソンモデルと3状態遷移ガンマモデルを用いて,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-21T15:13:17Z)
• 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)
• Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere [53.63505583883769]
  球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。 SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-06-06T16:27:17Z)
• Continuous-time dynamics and error scaling of noisy highly-entangling quantum circuits [58.720142291102135]
  最大21キュービットの雑音量子フーリエ変換プロセッサをシミュレートする。 我々は、デジタルエラーモデルに頼るのではなく、微視的な散逸過程を考慮に入れている。 動作中の消散機構によっては、入力状態の選択が量子アルゴリズムの性能に強い影響を与えることが示される。
  論文  参考訳（メタデータ） (2021-02-08T14:55:44Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)

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。