論文の概要: Optimal and Robust In-situ Quantum Hamiltonian Learning through Parallelization

• arxiv url: http://arxiv.org/abs/2510.07818v1
• Date: Thu, 09 Oct 2025 05:58:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.895358
• Title: Optimal and Robust In-situ Quantum Hamiltonian Learning through Parallelization
• Title（参考訳）: 並列化による最適およびロバストな量子ハミルトン学習
• Authors: Suying Liu, Xiaodi Wu, Murphy Yuezhen Niu,
• Abstract要約: ハミルトン学習は、正確な多体シミュレーションを推進し、量子デバイスの性能を改善し、量子強調センシングを可能にするための基盤となる。 そこで本研究では,クラマーラオ法とクラマーラオ法を併用したハミルトニアン学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 5.2946736439833595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hamiltonian learning is a cornerstone for advancing accurate many-body simulations, improving quantum device performance, and enabling quantum-enhanced sensing. Existing readily deployable quantum metrology techniques primarily focus on achieving Heisenberg-limited precision in one- or two-qubit systems. In contrast, general Hamiltonian learning theories address broader classes of unknown Hamiltonian models but are highly inefficient due to the absence of prior knowledge about the Hamiltonian. There remains a lack of efficient and practically realizable Hamiltonian learning algorithms that directly exploit the known structure and prior information of the Hamiltonian, which are typically available for a given quantum computing platform. In this work, we present the first Hamiltonian learning algorithm that achieves both Cramer-Rao lower bound saturated optimal precision and robustness to realistic noise, while exploiting device structure for quadratic reduction in experimental cost for fully connected Hamiltonians. Moreover, this approach enables simultaneous in-situ estimation of all Hamiltonian parameters without requiring the decoupling of non-learnable interactions during the same experiment, thereby allowing comprehensive characterization of the system's intrinsic contextual errors. Notably, our algorithm does not require deep circuits and remains robust against both depolarizing noise and time-dependent coherent errors. We demonstrate its effectiveness with a detailed experimental proposal along with supporting numerical simulations on Rydberg atom quantum simulators, showcasing its potential for high-precision Hamiltonian learning in the NISQ era.
• Abstract（参考訳）: ハミルトン学習は、正確な多体シミュレーションを推進し、量子デバイスの性能を改善し、量子強調センシングを可能にするための基盤となる。 既存の展開可能な量子メトロジー技術は、主に1ビットまたは2ビットのシステムでハイゼンベルクに制限された精度を達成することに焦点を当てている。 対照的に、一般ハミルトニアン学習理論は未知ハミルトニアンモデルのより広範なクラスを扱うが、ハミルトニアンに関する事前の知識がないため、非常に非効率である。 ハミルトニアン学習アルゴリズムは、量子コンピューティングプラットフォームで一般的に利用可能であるハミルトニアンの既知の構造と事前情報を直接活用する、効率的で実用的なハミルトニアン学習アルゴリズムがまだ存在しない。 本研究では,完全連結ハミルトニアン実験コストの2次低減に装置構造を活用しながら,クラマー・ラオ低域飽和最適精度と現実雑音に対する頑健性を両立する最初のハミルトン学習アルゴリズムを提案する。 さらに、本手法は、同じ実験中に非学習可能相互作用の疎結合を必要とせず、全てのハミルトンパラメータをその場で同時推定できるので、システム固有の文脈誤差を包括的に評価することができる。 特に,本アルゴリズムは深い回路を必要としないため,非偏極ノイズと時間依存コヒーレント誤差の両方に対して頑健である。 NISQ時代における高精度ハミルトニアン学習の可能性を示すとともに,Rydberg原子量子シミュレータの数値シミュレーションの支援とともに,その有効性を示す。

関連論文リスト

• Kernpiler: Compiler Optimization for Quantum Hamiltonian Simulation with Partial Trotterization [38.59115551211364]
  ハミルトニアンシミュレーションのための既存のコンパイル技術は、現在の量子コンピュータで可能なゲート数を提供するのに苦労している。 我々は部分的トロッター化を提案し、非可換なハミルトン項の集合を直接コンパイルすることで、トロッターステップ当たりの誤差を少なくすることができる。 スピンおよびフェルミオンハミルトニアンの数値シミュレーションで、カイスキットのRustiqやカイスキットのPaulievolutiongateのような最先端の手法と比較して、新しいコンパイラは最大10倍のゲートと深さカウントの削減を提示する。
  論文  参考訳（メタデータ） (2025-04-09T18:41:31Z)
• Enhanced Hamiltonian Learning Precision with Multi-Stage Neural Networks [10.285214278728528]
  ハミルトン学習精度を向上させる多段階ニューラルネットワークフレームワークを提案する。 提案手法は,ランダム初期状態の単一キュービットパウリ測定から時系列データを利用する。 パラメータの精度を最大化することで、2量子システム上でのフレームワークを実証する。
  論文  参考訳（メタデータ） (2025-03-10T14:10:59Z)
• Hamiltonian Neural Networks approach to fuzzball geodesics [39.58317527488534]
  Hamiltonian Neural Networks (HNN) は、ハミルトンの運動方程式を解くために損失関数を最小化するツールである。 本研究では、D1-D5円形ファズボールと呼ばれる滑らかで水平な幾何学内を移動する無質量プローブに対するハミルトン方程式を高精度に解くために訓練されたいくつかのHNNを実装した。
  論文  参考訳（メタデータ） (2025-02-28T09:25:49Z)
• Ansatz-free Hamiltonian learning with Heisenberg-limited scaling [4.185787832868736]
  構造制約なしに任意のスパースハミルトニアンを学習するための量子アルゴリズムを提案する。 本手法は, 状態調整・測定誤差に耐性がある。 これらの結果は、複素量子系におけるハイゼンベルク制限ハミルトニアン学習のさらなる探索の道を開く。
  論文  参考訳（メタデータ） (2025-02-17T15:23:59Z)
• 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)
• Hamiltonian truncation tensor networks for quantum field theories [42.2225785045544]
  連続場理論の古典的シミュレーションのためのテンソルネットワーク手法を提案する。 この手法はハミルトン・トランケーションとテンソル・ネットワーク技術に基づいて構築されている。 重要な発展の1つは、大域的プロジェクターの行列積状態表現の正確な構成である。
  論文  参考訳（メタデータ） (2023-12-19T19:00:02Z)
• 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)

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。