論文の概要: Continuous Variable Hamiltonian Learning at Heisenberg Limit via Displacement-Random Unitary Transformation

• arxiv url: http://arxiv.org/abs/2510.08419v1
• Date: Thu, 09 Oct 2025 16:37:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.203238
• Title: Continuous Variable Hamiltonian Learning at Heisenberg Limit via Displacement-Random Unitary Transformation
• Title（参考訳）: 変位-ランダムユニタリ変換によるハイゼンベルク極限における連続変数ハミルトン学習
• Authors: Xi Huang, Lixing Zhang, Di Luo,
• Abstract要約: 変位-ランダムユニタリ変換(D-RUT)は、任意の有限階ボソニックハミルトニアンの係数を学習する。 マルチモードシステムでは,より優れた統計効率を持つ階層的回復戦略を開発する。
• 参考スコア（独自算出の注目度）: 7.504749065917898
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Characterizing the Hamiltonians of continuous-variable (CV) quantum systems is a fundamental challenge laden with difficulties arising from infinite-dimensional Hilbert spaces and unbounded operators. Existing protocols for achieving the Heisenberg limit precision are often restricted to specific Hamiltonian structures or demand experimentally challenging resources. In this work, we introduce an efficient and experimentally accessible protocol, the Displacement-Random Unitary Transformation (D-RUT), that learns the coefficients of general, arbitrary finite-order bosonic Hamiltonians with a total evolution time scaling as $O(1/\epsilon)$ for a target precision $\epsilon$ robust to SPAM error. For multi-mode systems, we develop a hierarchical coefficients recovering strategy with superior statistical efficiency. Furthermore, we extend our protocol to first quantization, enabling the learning of fundamental physical parameters from Hamiltonians expressed in position and momentum operators at the Heisenberg limit.
• Abstract（参考訳）: 連続変数(CV)量子系のハミルトニアンの特徴づけは、無限次元ヒルベルト空間と非有界作用素から生じる困難を伴う根本的な挑戦である。 ハイゼンベルク限界精度を達成するための既存のプロトコルは、しばしば特定のハミルトン構造や実験的に挑戦する資源に制限される。 本研究では,SPAM誤差に頑健な目標精度$$\epsilon$に対して,O(1/\epsilon)$の総展開時間スケーリングを持つ任意の有限次ボソニックハミルトニアンの係数を学習する,効率的かつ実験的にアクセス可能なプロトコルであるDisplacement-Random Unitary Transformation (D-RUT)を導入する。 マルチモードシステムでは,より優れた統計効率を持つ階層的回復戦略を開発する。 さらに、我々のプロトコルを第一量子化に拡張し、ハイゼンベルク極限における位置で表現されたハミルトン作用素と運動量作用素からの基本的な物理パラメータの学習を可能にする。

関連論文リスト

• Improving Generalization and Trainability of Quantum Eigensolvers via Graph Neural Encoding [0.5013248430919223]
  多体ハミルトンの基底状態は物理学、化学、最適化において中心的な問題である。 本稿では,グラフオートエンコーダと古典的ニューラルネットワークを組み合わせたエンドツーエンド表現学習フレームワークを提案する。 一般化と訓練性が向上し, 試験誤差が減少し, 勾配分散が著しく低下することを示した。
  論文  参考訳（メタデータ） (2026-02-23T12:01:14Z)
• Learning Hamiltonians in the Heisenberg limit with static single-qubit fields [2.066606476344995]
  最適ハイゼンベルク制限スケーリングを用いて量子ハミルトニアンを学習するプロトコルを提案する。 これらの制限を克服することで、我々のプロトコルはデバイスの特徴付けと量子センシングのための新しいツールを提供する。
  論文  参考訳（メタデータ） (2026-01-15T13:34:50Z)
• Digitized Counterdiabatic Quantum Feature Extraction [35.670314643295036]
  そこで本研究では,ハミルトニアンの局所多体スピンのダイナミクスを用いて,複素特徴量を生成するハミルトン型量子特徴抽出法を提案する。 分子毒性分類と画像認識を含む高次元実世界のデータセットに対するアプローチを評価する。 その結果、量子的特徴抽出と古典的特徴抽出を組み合わせることで、さまざまな機械学習タスク間で一貫した改善が得られることが示唆された。
  論文  参考訳（メタデータ） (2025-10-15T17:59:35Z)
• Fast-forwardable Lindbladians imply quantum phase estimation [26.310568727393758]
  簡単なリンドブラディアンプロセスはQPE型タスクに適応可能であることを示す。 ハイゼンベルク限界スケーリングを実現するQPEとは異なり、リンドブラディアンの進化は標準的な量子極限複雑性に制限される。 これは、ハミルトン力学と異なり、リンドブラディアンの自然散逸進化速度が基本量子極限を飽和させていないことを示している。
  論文  参考訳（メタデータ） (2025-10-08T08:36:46Z)
• Heisenberg limited quantum algorithm for estimating the fidelity susceptibility [4.524082537369606]
  本稿では,効率よくハイゼンベルクに制限されたフィデリティ感受性推定を実現する量子アルゴリズムを提案する。 我々の研究は、量子多体物理学とアルゴリズム設計を橋渡しし、量子臨界性のスケーラブルな探索を可能にします。
  論文  参考訳（メタデータ） (2025-09-01T10:56:50Z)
• Quantum neural ordinary and partial differential equations [38.77776626953413]
  古典的ニューラルODE/PDEの連続時間形式を量子機械学習と量子制御にもたらす統一的なフレームワークを提案する。 我々は、QNODEsを有限次元量子システムの進化と定義し、QNPDEsを無限次元(連続変数)のものと定義する。
  論文  参考訳（メタデータ） (2025-08-24T18:43:44Z)
• Learning to Restore Heisenberg Limit in Noisy Quantum Sensing via Quantum Digital Twin [25.551077898792354]
  量子センサーは非古典的資源を活用し、ハイゼンベルク限界でのセンシング精度を達成する。 重要な問題は、環境騒音が急激なデコヒーレンスを引き起こし、ハイゼンベルク限界の実現可能性を制限することである。 本稿では,この問題を克服するための量子デジタルツインプロトコルを提案する。
  論文  参考訳（メタデータ） (2025-08-15T04:14:01Z)
• Grassmann Variational Monte Carlo with neural wave functions [45.935798913942904]
  ヒルベルト空間のグラスマン幾何学の観点から、Pfau et al.citepfau2024accurateによって導入された枠組みを定式化する。 正方格子上のハイゼンベルク量子スピンモデルに対する我々のアプローチを検証し、多くの励起状態に対して高精度なエネルギーと物理観測値を達成する。
  論文  参考訳（メタデータ） (2025-07-14T13:53:13Z)
• Adiabatic echo protocols for robust quantum many-body state preparation [37.69303106863453]
  静的摂動の影響を抑制するために設計された状態準備に対する一般的なアプローチである断熱エコープロトコルを導入する。 このようなプロトコルは、制御フィールドの形式に関する仮定を必要とせず、様々な設定で自然に現れることを示す。 このプロトコルの広範な適用性を強調し,現代の量子プラットフォームにおける信頼性の高い多体状態準備のための実践的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-06-13T18:01:08Z)
• Heisenberg-limited Hamiltonian learning continuous variable systems via engineered dissipation [3.023103926472339]
  量子システムの進化を支配下に置くハミルトニアンを同定することは、量子学習理論の基本的な課題である。 本研究では,連続変数量子系の共通型であるボソニック量子系のハミルトニアンの学習に焦点をあてる。 このようなシステムにおける強い消散の効果を研究するための分析フレームワークを導入し、猫のクビット安定化の厳密な分析を可能にした。
  論文  参考訳（メタデータ） (2025-05-31T15:33:26Z)
• Hamiltonian Learning at Heisenberg Limit for Hybrid Quantum Systems [0.7499722271664147]
  異なる粒子種を持つハイブリッド量子系は、量子材料と量子情報科学の基本である。 我々は、未知のスピンボソン型ハミルトニアンにアクセスすると、アルゴリズムがハイゼンベルク制限推定を達成するという厳密な理論的枠組みを確立する。 この結果は、ハイブリッド量子プラットフォームにおける高精度ハミルトン特性評価のためのスケーラブルでロバストなフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-02-27T18:47:47Z)
• Diffusion-Enhanced Optimization of Variational Quantum Eigensolver for General Hamiltonians [17.975555487972166]
  変分量子アルゴリズム(VQA)は、現在の雑音量子デバイスにおいて量子優位を達成するための有望なアプローチとして登場した。 しかし、それらの大規模応用は、バレンプラトー(BP)現象、局所ミニマ、多数の反復要求など、最適化上の課題によって著しく妨げられている。 本研究では,これらの問題に対処するために,デノナイジング拡散モデル(DM)を活用する。
  論文  参考訳（メタデータ） (2025-01-10T02:32:46Z)
• Robust analog quantum simulators by quantum error-detecting codes [22.034646136056804]
  誤差耐性ハミルトンシミュレーションのレシピを提供し、局所的な2ドルの通勤ハミルトニアンだけで安定化された励起符号化部分空間を利用する。 私たちの方法は、システムサイズにスケールするペナルティ条件のみを必要とするため、スケーラブルです。
  論文  参考訳（メタデータ） (2024-12-10T18:58:05Z)
• 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 Gate Optimization for Rydberg Architectures in the Weak-Coupling Limit [55.05109484230879]
  我々は,Rydberg tweezerシステムにおける2ビットゲートの機械学習支援設計を実演する。 我々は,高忠実度CNOTゲートを実装した最適パルス列を生成する。 単一量子ビット演算の局所的な制御は、原子列上で量子計算を行うのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-06-14T18:24:51Z)

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。