論文の概要: A Joint Quantum Computing, Neural Network and Embedding Theory Approach for the Derivation of the Universal Functional

• arxiv url: http://arxiv.org/abs/2512.13138v1
• Date: Mon, 15 Dec 2025 09:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.608034
• Title: A Joint Quantum Computing, Neural Network and Embedding Theory Approach for the Derivation of the Universal Functional
• Title（参考訳）: 普遍関数の導出のための合同量子コンピューティング, ニューラルネットワーク, 埋め込み理論アプローチ
• Authors: Martin J. Uttendorfer, Daniel Barragan-Yani, Matthias Sperl, Marc Landmann,
• Abstract要約: 本稿では,量子コンピューティング,機械学習,密度行列関数理論の交叉を利用した新しい手法を提案する。 提案手法は,量子アルゴリズムで学習したディープニューラルネットワークを用いて,普遍関数の取得に重点を置いている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce a novel approach that exploits the intersection of quantum computing, machine learning and reduced density matrix functional theory to leverage the potential of quantum computing to improve simulations of interacting quantum particles. Our method focuses on obtaining the universal functional using a deep neural network trained with quantum algorithms. We also use fragment-bath systems defined by density matrix embedding theory to strengthen our approach by substantially expanding the space of Hamiltonians for which the obtained functional can be applied without the need for additional quantum resources. Given the fact that once obtained, the same universal functional can be reused for any system where the interactions within the embedded fragment are identical, our work demonstrates a way to potentially achieve a cumulative quantum advantage within quantum computing applications for quantum chemistry and condensed matter physics.
• Abstract（参考訳）: 量子コンピューティングのポテンシャルを活用し、相互作用する量子粒子のシミュレーションを改善するために、量子コンピューティング、機械学習、密度行列関数理論の交叉を利用する新しいアプローチを導入する。 提案手法は,量子アルゴリズムで学習したディープニューラルネットワークを用いて,普遍関数の取得に重点を置いている。 また、密度行列埋め込み理論によって定義されるフラグメントバス系を用いて、得られた関数が追加の量子資源を必要とせずに適用できるハミルトンの空間を大幅に拡張することで、我々のアプローチを強化する。 組込みフラグメント内の相互作用が同一である任意のシステムで同じ普遍関数が再利用できるという事実を考えると、量子化学や凝縮物質物理学の量子コンピューティング応用における累積量子優位性を実現する方法が我々の研究で実証されている。

関連論文リスト

• Hamiltonian Dynamics Learning: A Scalable Approach to Quantum Process Characterization [6.741097425426473]
  短時間のハミルトン力学に特化して設計された効率的な量子プロセス学習法を提案する。 我々は、量子機械学習の応用を実証し、このプロトコルは、ユニタリ変換を直接学習することで、変分量子ニューラルネットワークの効率的なトレーニングを可能にする。 この研究は、実用的な量子力学学習のための新しい理論的基盤を確立し、短期的およびフォールトトレラントな量子コンピューティングの両方においてスケーラブルな量子プロセスのキャラクタリゼーションの道を開いた。
  論文  参考訳（メタデータ） (2025-03-31T14:50:00Z)
• Quantum Computing in Transport Science: A Review [0.8437187555622164]
  量子力学の原理を利用する量子コンピューティングは、原理的に計算能力を大幅に向上させることが知られている。 本稿では,輸送システムにおける複雑で大規模な問題に量子コンピューティングが取り組む可能性について考察する。
  論文  参考訳（メタデータ） (2025-03-27T09:28:33Z)
• Simulation of open quantum systems on universal quantum computers [15.876768787615179]
  量子コンピュータを用いてオープンな量子システムをシミュレートする,革新的でスケーラブルな手法を提案する。 共役密度行列を真の密度行列と定義し、混合ユニタリ量子チャネルに還元する。 定常状態や熱平衡のような長期特性は、随伴密度行列としても研究できる。
  論文  参考訳（メタデータ） (2024-05-31T09:07:27Z)
• The QUATRO Application Suite: Quantum Computing for Models of Human Cognition [49.038807589598285]
  量子コンピューティング研究のための新しい種類のアプリケーション -- 計算認知モデリング -- をアンロックします。 我々は、認知モデルから量子コンピューティングアプリケーションのコレクションであるQUATROをリリースする。
  論文  参考訳（メタデータ） (2023-09-01T17:34:53Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
  本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。 本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
  論文  参考訳（メタデータ） (2022-09-16T02:37:32Z)
• 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)
• Quantum Data Compression and Quantum Cross Entropy [0.0]
  量子クロスエントロピーが準最適量子源符号化の圧縮速度として働くことを示す。 これは量子クロスエントロピーが量子機械学習アルゴリズムの損失関数として効果的に機能することを明らかにする。
  論文  参考訳（メタデータ） (2021-06-25T18:00:33Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)

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。