論文の概要: Hamiltonian learning via quantum Zeno effect

• arxiv url: http://arxiv.org/abs/2509.15713v1
• Date: Fri, 19 Sep 2025 07:45:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.056972
• Title: Hamiltonian learning via quantum Zeno effect
• Title（参考訳）: 量子ゼノ効果によるハミルトン学習
• Authors: Giacomo Franceschetto, Egle Pagliaro, Luciano Pereira, Leonardo Zambrano, Antonio Acín,
• Abstract要約: 局所的相互作用からなるハミルトン作用素に対するスケーラブルで実験的なハミルトン学習プロトコルを提案する。 理論的性能保証を導出し,IBMの超伝導量子ハードウェアへの実験的実装を通じて,数値シミュレーションによるプロトコルの実現可能性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Determining the Hamiltonian of a quantum system is essential for understanding its dynamics and validating its behavior. Hamiltonian learning provides a data-driven approach to reconstruct the generator of the dynamics from measurements on the evolved system. Among its applications, it is particularly important for benchmarking and characterizing quantum hardware, such as quantum computers and simulators. However, as these devices grow in size and complexity, this task becomes increasingly challenging. To address this, we propose a scalable and experimentally friendly Hamiltonian learning protocol for Hamiltonian operators made of local interactions. It leverages the quantum Zeno effect as a reshaping tool to localize the system's dynamics and then applies quantum process tomography to learn the coefficients of a local subset of the Hamiltonian acting on selected qubits. Unlike existing approaches, our method does not require complex state preparations and uses experimentally accessible, coherence-preserving operations. We derive theoretical performance guarantees and demonstrate the feasibility of our protocol both with numerical simulations and through an experimental implementation on IBM's superconducting quantum hardware, successfully learning the coefficients of a 109-qubit Hamiltonian.
• Abstract（参考訳）: 量子系のハミルトニアンを決定することは、その力学を理解し、その振る舞いを検証するために不可欠である。 ハミルトン学習は、進化したシステム上の測定からダイナミクスのジェネレータを再構築するためのデータ駆動型アプローチを提供する。 その応用の中で、特に量子コンピュータやシミュレータなどの量子ハードウェアのベンチマークや特徴付けにおいて重要である。 しかし、これらのデバイスのサイズと複雑さが大きくなるにつれて、このタスクはますます困難になってきている。 そこで本研究では,局所的相互作用からなるハミルトン演算子に対して,スケーラブルで実験的なハミルトニアン学習プロトコルを提案する。 量子ゼノ効果をリフォーミングツールとして利用し、システムのダイナミクスをローカライズし、量子プロセストモグラフィーを適用して、選択された量子ビットに作用するハミルトニアンの局所部分集合の係数を学習する。 既存の手法とは異なり,本手法では複雑な状態準備を必要とせず,実験的にアクセス可能なコヒーレンス保存操作を使用する。 理論的な性能保証を導出し、数値シミュレーションとIBMの超伝導量子ハードウェアへの実験的実装によりプロトコルの実現可能性を示し、109量子ビットハミルトニアン係数の学習に成功した。

関連論文リスト

• Hamiltonian Dynamics Learning: A Scalable Approach to Quantum Process Characterization [6.741097425426473]
  短時間のハミルトン力学に特化して設計された効率的な量子プロセス学習法を提案する。 我々は、量子機械学習の応用を実証し、このプロトコルは、ユニタリ変換を直接学習することで、変分量子ニューラルネットワークの効率的なトレーニングを可能にする。 この研究は、実用的な量子力学学習のための新しい理論的基盤を確立し、短期的およびフォールトトレラントな量子コンピューティングの両方においてスケーラブルな量子プロセスのキャラクタリゼーションの道を開いた。
  論文  参考訳（メタデータ） (2025-03-31T14:50:00Z)
• 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)
• 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)
• Robust Hamiltonian Engineering for Interacting Qudit Systems [50.591267188664666]
  我々は、強く相互作用するキューディット系のロバストな動的疎結合とハミルトン工学の定式化を開発する。 本研究では,これらの手法を,スピン-1窒素空洞中心の強相互作用・無秩序なアンサンブルで実験的に実証した。
  論文  参考訳（メタデータ） (2023-05-16T19:12:41Z)
• Efficient and robust estimation of many-qubit Hamiltonians [0.0]
  量子力学系の相互作用と力学を特徴づけることは、量子技術の発展に欠かせない課題である。 マルチキュービットデバイスにおける基礎となるハミルトン力学と雑音を特徴付けるための効率的なプロトコルを提案する。 このプロトコルは、ハミルトニアンを学習するために並列化することができ、現在の量子デバイスと将来の量子デバイスの両方のキャラクタリゼーションに適用できる。
  論文  参考訳（メタデータ） (2022-05-19T13:52:32Z)
• Robust and Efficient Hamiltonian Learning [2.121963121603413]
  軽度の仮定に基づいて制限を回避できる頑健で効率的なハミルトン学習法を提案する。 提案手法は,短時間のダイナミクスと局所演算のみを用いて,パウリベースでスパースなハミルトニアンを効率的に学習することができる。 ランダムな相互作用強度と分子ハミルトニアンを持つ横場イジング・ハミルトニアンのスケーリングと推定精度を数値的に検証する。
  論文  参考訳（メタデータ） (2022-01-01T13:48:15Z)
• 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)
• Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
  我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。 これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。 シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
  論文  参考訳（メタデータ） (2021-05-20T17:06:52Z)
• Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
  53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。 演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
  論文  参考訳（メタデータ） (2021-01-21T22:18:49Z)

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。