論文の概要: Physics Informed Generative Machine Learning for Accelerated Quantum-centric Supercomputing

• arxiv url: http://arxiv.org/abs/2512.06858v1
• Date: Sun, 07 Dec 2025 14:27:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.55853
• Title: Physics Informed Generative Machine Learning for Accelerated Quantum-centric Supercomputing
• Title（参考訳）: 加速量子中心超計算のための物理インフォームド生成機械学習
• Authors: Chayan Patra, Dibyendu Mondal, Sonaldeep Halder, Dipanjali Halder, Mostafizur Rahaman Laskar, Richa Goel, Rahul Maitra,
• Abstract要約: PIGen-SQDは、生成機械学習(ML)の機能を利用する、効率的に設計された量子スーパーコンピュータ(QCSC)ワークフローである。 PIGen-SQDはQCSCアルゴリズムの堅牢性とスケーラビリティを向上し、実用規模の量子ハードウェア上での化学的に信頼性の高い量子シミュレーションへの有望な経路を提供する。
• 参考スコア（独自算出の注目度）: 0.46906883107634084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum centric supercomputing (QCSC) framework, such as sample-based quantum diagonalization (SQD) holds immense promise toward achieving practical quantum utility to solve challenging problems. QCSC leverages quantum computers to perform the classically intractable task of sampling the dominant fermionic configurations from the Hilbert space that have substantial support to a target state, followed by Hamiltonian diagonalization on a classical processor. However, noisy quantum hardware produces erroneous samples upon measurements, making robust and efficient configuration-recovery strategies essential for a scalable QCSC pipeline. Toward this, in this work, we introduce PIGen-SQD, an efficiently designed QCSC workflow that utilizes the capability of generative machine learning (ML) along with physics-informed configuration screening via implicit low-rank tensor decompositions for accurate fermionic state reconstruction. The physics-informed pruning is based on a class of efficient perturbative measures that, in conjunction with hardware samples, provide a substantial overlap with the target state. This distribution induces an anchoring effect on the generative ML models to stochastically explore only the dominant sector of the Hilbert space for effective identification of additional important configurations in a self-consistent manner. Our numerical experiments performed on IBM Heron R2 quantum processors demonstrate this synergistic workflow produces compact, high-fidelity subspaces that substantially reduce diagonalization cost while maintaining chemical accuracy under strong electronic correlations. By embedding classical many body intuitions directly into the generative ML model, PIGen-SQD advances the robustness and scalability of QCSC algorithms, offering a promising pathway toward chemically reliable quantum simulations on utility-scale quantum hardware.
• Abstract（参考訳）: サンプルベース量子対角化(SQD)のようなQCSC(Quantum centric supercomputing)フレームワークは、課題を解決するために実用的な量子ユーティリティを実現するための大きな可能性を秘めている。 QCSCは量子コンピュータを活用して、ターゲット状態へのかなりの支持を持つヒルベルト空間から支配的なフェルミオン構成をサンプリングし、続いて古典的プロセッサ上でハミルトン対角化を行う古典的に難解なタスクを実行する。 しかし、ノイズの多い量子ハードウェアは、測定に基づいて間違ったサンプルを生成し、スケーラブルなQCSCパイプラインに必要な堅牢で効率的な構成回復戦略を作成する。 そこで本研究では,生成機械学習(ML)と物理インフォーマルな構成スクリーニング機能を利用して,暗黙の低ランクテンソル分解によるフェミオン状態再構成を実現する,効率的に設計されたQCSCワークフローであるPIGen-SQDを紹介する。 物理インフォームドプルーニングは、ハードウェアサンプルと組み合わせて、ターゲット状態とかなりの重複を与える、効率的な摂動測定のクラスに基づいている。 この分布は生成MLモデルに対するアンカー効果を誘導し、ヒルベルト空間の優越セクターのみを確率論的に探索し、自己整合的な方法で付加的な重要な構成を効果的に同定する。 IBM Heron R2量子プロセッサ上で行った数値実験により、この相乗的ワークフローは、強い電子相関の下で化学精度を維持しながら、対角化コストを大幅に削減するコンパクトで高忠実な部分空間を生成することを示した。 古典的な多くの身体直観を生成MLモデルに直接埋め込むことで、PIGen-SQDはQCSCアルゴリズムの堅牢性とスケーラビリティを向上し、実用規模の量子ハードウェア上での化学的に信頼性の高い量子シミュレーションへの有望な経路を提供する。

関連論文リスト

• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Training Hybrid Deep Quantum Neural Network for Efficient Reinforcement Learning [3.753031740069576]
  量子回路は、次元が指数関数的に増加するヒルベルト空間にデータを埋め込む。 量子回路を局所的に近似する有接サロゲートqtDNNを導入する。 我々は、連続制御強化学習のためのハイブリッドディープ量子ニューラルネットワークhDQNN-TD3を設計する。
  論文  参考訳（メタデータ） (2025-03-12T07:12:02Z)
• Projective Quantum Eigensolver via Adiabatically Decoupled Subsystem Evolution: a Resource Efficient Approach to Molecular Energetics in Noisy Quantum Computers [0.0]
  我々は,ノイズ中間スケール量子(NISQ)ハードウェアを用いて,分子系の基底状態エネルギーを正確に計算することを目的とした射影形式を開発した。 本研究では,将来の耐故障システムにおいて,必要な精度を同時に確保しながら,ノイズ下での優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-13T13:27:40Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Towards a NISQ Algorithm to Simulate Hermitian Matrix Exponentiation [0.0]
  フォールトトレラントな量子コンピュータは、既知の古典的コンピュータよりも優れたアプリケーションを提供するので、楽しみにしている。 既に存在する、ノイズの多い中間スケール量子(NISQ)デバイスのパワーを活用して実現には何十年もかかるだろう。 本稿では、パラメタライズド量子回路を用いて、エルミタン行列指数をシミュレートする手法を報告する。
  論文  参考訳（メタデータ） (2021-05-28T06:37:12Z)

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。