論文の概要: AI-enhanced Quantum Simulation of Schwinger Model

• arxiv url: http://arxiv.org/abs/2509.20173v1
• Date: Wed, 24 Sep 2025 14:37:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-02 14:39:57.021633
• Title: AI-enhanced Quantum Simulation of Schwinger Model
• Title（参考訳）: シュウィンガーモデルのAIによる量子シミュレーション
• Authors: Ao-Ning Wang, Min-Quan He, Z. D. Wang,
• Abstract要約: 量子電気力学(QED)のシュウィンガーモデル(Schwinger Model)は、長い間、重要な物理現象を探索するための貴重な単純化モデルとして機能してきた。 本稿では,ニューラルネットワークファシリテーテッドインプリシット量子シミュレーション(NN-IQS)モデルを解として提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Schwinger Model from Quantum Electrodynamics (QED) has long served as a valuable simplified model for exploring key physical phenomena in Quantum Chromodynamics (QCD)-a field rich with fundamental insights but is substantially more complex. While the phase diagram of the Schwinger Model bears extraordinary significance and remains challenging to investigate, recent progress on the model mainly focuses on detailed case studies. Here, we propose a model that we refer as the Neural Network Facilitated Implicit Quantum Simulation (NN-IQS) model as a solution. After training on limited discrete data points on the Schwinger Model phase diagram, the NN-IQS model allows quick generation of extra sample points over a continuous domain. The model can even generalize beyond its training range, maintaining robust performance in previously unexplored parameter space and system sizes.
• Abstract（参考訳）: 量子電気力学(QED)のシュウィンガーモデル(Schwinger Model)は、量子クロモダイナミックス(QCD)において重要な物理現象を探索する貴重な単純化モデルとして長年使われてきた。 シュウィンガー模型の位相図は非常に重要であり、研究が難しいが、最近の研究は、主に詳細なケーススタディに焦点を当てている。 本稿では,ニューラルネットワークファシリテーテッドインプリシット量子シミュレーション(NN-IQS)モデルを解として提案する。 シュウィンガーモデル位相図上の限られた離散データポイントを訓練した後、NN-IQSモデルは連続領域上の追加サンプルポイントを素早く生成することができる。 このモデルはトレーニング範囲を超えて一般化することができ、未探索のパラメータ空間とシステムサイズで堅牢な性能を維持することができる。

関連論文リスト

• Physics-informed time series analysis with Kolmogorov-Arnold Networks under Ehrenfest constraints [0.0]
  量子力学反応の予測は現代の物理学の中心にある。 量子力学は、量子系の時間的進化全体を予測することという、根本的に異なる課題を提示する。 クルモゴロフ・アーノルドネットワーク(英語版)(KAN)は、エレンフェストの定理を強制する物理学インフォームド・ロス関数を付加する。
  論文  参考訳（メタデータ） (2025-09-23T00:37:04Z)
• Solving the Hubbard model with Neural Quantum States [66.55653324211542]
  ダッピングされた2次元ハバードモデルに対する最先端結果について検討した。 NQSアンサッツの異なるアテンションヘッドは、異なるスケールで直接相関を符号化することができる。 我々の研究は、マルチフェミオンシステムに挑戦する強力なツールとしてNQSを確立します。
  論文  参考訳（メタデータ） (2025-07-03T14:08:25Z)
• A Quantum Neural Network Transfer-Learning Model for Forecasting Problems with Continuous and Discrete Variables [0.0]
  本研究では、タスク予測のための伝達学習手法として、単純で効果的な連続変数および離散変数量子ニューラルネットワーク(QNN)モデルを提案する。 CV-QNNは2つの量子ビットを持つ単一の量子層を備え、絡み合いを確立し、最小限の量子ゲートを使用する。 このモデルの凍結パラメータは、エネルギー消費、交通の流れ、気象条件、暗号通貨の価格予測など、様々な予測タスクにうまく適用されている。
  論文  参考訳（メタデータ） (2025-03-04T22:38:51Z)
• Recurrent convolutional neural networks for modeling non-adiabatic dynamics of quantum-classical systems [1.23088383881821]
  本稿では、ハイブリッド量子古典系の非断熱力学をモデル化するための畳み込みニューラルネットワークに基づくRNNモデルを提案する。 PARC-CNNアーキテクチャは,深部切開条件下でホルシュタインモデルの統計的気候を効果的に学習できることを実証する。
  論文  参考訳（メタデータ） (2024-12-09T16:23:25Z)
• Classical Benchmarks for Variational Quantum Eigensolver Simulations of the Hubbard Model [1.1017516493649393]
  電子相関が強ければ大きいほど, 基底状態エネルギーと波動関数プラトーの誤差が大きくなることを示す。 本研究は,量子ハードウェア上でのHubbardモデルを解くための現在のアプローチの能力と限界を強調した。
  論文  参考訳（メタデータ） (2024-08-01T18:00:04Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• 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)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)

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。