論文の概要: High-Fidelity Scalable Quantum State Preparation via the Fusion Method

• arxiv url: http://arxiv.org/abs/2510.19039v1
• Date: Tue, 21 Oct 2025 19:43:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.620158
• Title: High-Fidelity Scalable Quantum State Preparation via the Fusion Method
• Title（参考訳）: 核融合法による高忠実スケーラブル量子状態形成
• Authors: Matthew Patkowski, Onat Ayyildiz, Matjaž Kebrič, Katharine L. C. Hunt, Dean Lee,
• Abstract要約: Rodeo Algorithm (RA) は、目標固有状態への指数収束を提供するが、初期状態と所望固有状態との重なりが低い場合、性能が低下する。 本稿では,この制限を克服するために,断熱ランプによるRA状態を前提とした融合法を提案する。
• 参考スコア（独自算出の注目度）: 0.9786690381850356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust and efficient eigenstate preparation is a central challenge in quantum simulation. The Rodeo Algorithm (RA) offers exponential convergence to a target eigenstate but suffers from poor performance when the initial state has low overlap with the desired eigenstate, hindering the applicability of the original algorithm to larger systems. In this work, we introduce a fusion method that preconditions the RA state by an adiabatic ramp to overcome this limitation. By incrementally building up large systems from exactly solvable subsystems and using adiabatic preconditioning to enhance intermediate state overlaps, we ensure that the RA retains its exponential convergence even in large-scale systems. We demonstrate this hybrid approach using numerical simulations of the spin- 1/2 XX model and find that the Rodeo Algorithm exhibits robust exponential convergence across system sizes. We benchmark against using only an adiabatic ramp as well as using the unmodified RA, finding that for state preparation precision at the level of $10^{-3}$ infidelity or better there a decisive computational cost advantage to the fusion method. These results together demonstrate the scalability and effectiveness of the fusion method for practical quantum simulations.
• Abstract（参考訳）: ロバストで効率的な固有状態の準備は、量子シミュレーションにおける中心的な課題である。 Rodeo Algorithm (RA) は、ターゲットの固有状態への指数収束を提供するが、初期状態が所望の固有状態と重複しない場合、性能が低下し、元のアルゴリズムがより大きなシステムに適用できなくなる。 本研究では,この制限を克服するため,断熱ランプによるRA状態を前提とした融合法を提案する。 完全に解決可能なサブシステムから大規模システムをインクリメンタルに構築し、中間状態のオーバーラップを強化するために断熱的プレコンディショニングを用いることで、大規模システムにおいてもRAが指数収束を維持することを保証する。 スピン1/2XXモデルの数値シミュレーションを用いて,このハイブリッド手法を実証し,システムサイズに対してロッドアルゴリズムが頑健な指数収束を示すことを示した。 我々は,不定形RAを用いただけでなく,アディバティック・ランプのみを用いないベンチマークを行い,10〜3ドル=不整合状態における状態準備精度について,融合法に有利な決定的な計算コストがあることを見出した。 これらの結果は、実際の量子シミュレーションにおける融合法のスケーラビリティと有効性を示すものである。

関連論文リスト

• A simple method for seniority-zero quantum state preparation [0.0]
  軌道最適化されたペアクラスタ・ダブルス (oo-pCCD) 法は,多くの強い相関を持つ一重項状態の静的な相関特性を記述可能であることを示す。 以上の結果から,UpCCDアンザッツに鉛直なoo-pCCD振幅を置換することにより,エチレン,エチン,ジニトロゲンの多結合解離モデルに対する高忠実度一重項状態の調製が可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-08-29T14:47:45Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Adaptive Federated Learning Over the Air [108.62635460744109]
  オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。 解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
  論文  参考訳（メタデータ） (2024-03-11T09:10:37Z)
• Single-ancilla ground state preparation via Lindbladians [4.328210085579236]
  我々は、早期耐故障状態における基底状態の準備のための量子アルゴリズムを設計する。 モンテカルロ型量子アルゴリズムとして、ターゲット状態が定常なリンドブラディアンを特徴とする。 提案アルゴリズムは1つのアンシラ量子ビットで実装でき、量子コンピュータ上で効率的にシミュレートできる。
  論文  参考訳（メタデータ） (2023-08-30T00:11:19Z)
• Scalable Imaginary Time Evolution with Neural Network Quantum States [0.0]
  ニューラルネットワーク量子状態(NQS)としての量子波関数の表現は、多体量子系の基底状態を見つけるための強力な変分アンサッツを提供する。 我々は、計量テンソルの計算をバイパスするアプローチを導入し、代わりにユークリッド計量を用いた一階降下にのみ依存する。 我々は,NQSのエネルギーが減少するまで最適な時間ステップを決定し,目標を固定し,適応的に安定させる。
  論文  参考訳（メタデータ） (2023-07-28T12:26:43Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)
• Stochastic Hard Thresholding Algorithms for AUC Maximization [49.00683387735522]
  分散分類におけるAUCのためのハードしきい値決定アルゴリズムを開発した。 提案アルゴリズムの有効性と有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-11-04T16:49:29Z)
• Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
  量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。 シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。 これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-28T17:21:25Z)

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。