論文の概要: Generative Krylov Subspace Representations for Scalable Quantum Eigensolvers
- arxiv url: http://arxiv.org/abs/2512.19420v1
- Date: Mon, 22 Dec 2025 14:21:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.784876
- Title: Generative Krylov Subspace Representations for Scalable Quantum Eigensolvers
- Title（参考訳）: スケーラブル量子固有解器のためのクリロフ部分空間生成表現
- Authors: Changwon Lee, Daniel K. Park,
- Abstract要約: 我々は、クリロフ対角化過程全体の古典的生成表現を学習するフレームワークである生成クリロフ部分空間表現(GenKSR)を紹介する。
ハミルトンのパラメータと進化時間に基づいて測定結果の分布を学習することにより、GenKSRは未知のハミルトン人のクリロフ部分空間サンプルを生成する。
我々は、15-qubit 1Dと16-qubit 2D Heisenbergモデルのシミュレーションと、IBM量子プロセッサ上で実行される20-qubit XXZチェーンのハードウェア実験を通して、我々のアプローチを検証する。
- 参考スコア（独自算出の注目度）: 1.6574413179773761
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting ground state energies of quantum many-body systems is one of the central computational challenges in quantum chemistry, physics, and materials science. Krylov subspace methods, such as Krylov Quantum Diagonalization and Sample-based Krylov Quantum Diagonalization, are promising approaches for this task on near-term quantum computers. However, both require repeated quantum circuit executions for each Krylov subspace and for every new Hamiltonian, posing a major bottleneck under noisy hardware constraints. We introduce Generative Krylov Subspace Representations (GenKSR), a framework that learns a classical generative representation of the entire Krylov diagonalization process. To enable effective modeling of quantum systems, GenKSR leverages a conditional generative model framework. We investigate two representative backbone architectures, the standard Transformer and the Mamba state-space model. By learning the distribution of measurement outcomes conditioned on Hamiltonian parameters and evolution time, GenKSR generates Krylov subspace samples for unseen Hamiltonians and for larger subspace dimensions than those used in training. This enables full energy reconstruction purely from the classical model, without additional quantum experiments. We validate our approach through simulations of 15-qubit 1D and 16-qubit 2D Heisenberg models, as well as a hardware experiment on a 20-qubit XXZ chain executed on an IBM quantum processor. Our model successfully learns the distribution from experimental data and generates a high-fidelity representation of the quantum process. This representation enables classical reproduction of experimental outcomes, supports reliable energy estimates for unseen Hamiltonians, and significantly reduces the need for further quantum computation.
- Abstract（参考訳）: 量子多体系の基底状態エネルギーの予測は、量子化学、物理学、材料科学における中心的な計算課題の1つである。
クリロフ量子対角化(Krylov Quantum Diagonalization)やサンプルベースのクリロフ量子対角化(Krylov Quantum Diagonalization)のようなクリロフ部分空間法(Krylov subspace method)は、近い将来の量子コンピュータにおけるこの課題に対して有望なアプローチである。
しかし、どちらも各クリロフ部分空間と全ての新しいハミルトン空間に対して繰り返し量子回路の実行を必要とし、ノイズの多いハードウェア制約の下で大きなボトルネックを生じさせる。
我々は、クリロフ対角化過程全体の古典的生成表現を学習するフレームワークである生成クリロフ部分空間表現(GenKSR)を紹介する。
量子システムの効果的なモデリングを可能にするため、GenKSRは条件付き生成モデルフレームワークを利用する。
本稿では,標準トランスフォーマーとMamba状態空間モデルという2つの代表的なバックボーンアーキテクチャについて検討する。
ハミルトンパラメータと進化時間の条件付き測定結果の分布を学習することにより、GenKSRは、未知のハミルトン多様体と、訓練で使用されるものよりも大きな部分空間次元のためのクリロフ部分空間サンプルを生成する。
これにより、量子実験を追加することなく、古典的なモデルから純粋に完全なエネルギー再構成が可能となる。
我々は、15-qubit 1Dと16-qubit 2D Heisenbergモデルのシミュレーションと、IBM量子プロセッサ上で実行される20-qubit XXZチェーンのハードウェア実験を通して、我々のアプローチを検証する。
我々のモデルは実験データから分布をうまく学習し、量子過程の高忠実度表現を生成する。
この表現は実験結果の古典的な再現を可能にし、未知のハミルトニアンに対する信頼性の高いエネルギー推定をサポートし、さらなる量子計算の必要性を著しく低減する。
関連論文リスト
- Sample-Based Krylov Quantum Diagonalization for the Schwinger Model on Trapped-Ion and Superconducting Quantum Processors [26.315169722500556]
最近提案されたサンプルベースのクリロフ量子対角化法(SKQD)を格子ゲージ理論に適用する。
本研究では, 基底状態エネルギーと粒子数と$theta$-termの値の依存性について検討し, モデルの位相構造を正確に把握する。
我々は、SKQDが有効ヒルベルト空間を著しく減らし、クリロフ空間次元は指数関数的にスケールするが、遅い成長は格子ゲージ理論を大容量でシミュレートする約束を裏切っていることを示す。
論文 参考訳（メタデータ） (2025-10-30T19:21:06Z) - Quantum Simulation and Energy Estimation for Discretized Anharmonic oscillator [1.0079626733116613]
フィルタに基づく設計とトフォリゲートを備えた量子回路は、量子状態の進化を追跡するために構築される。
エネルギー推定には、2ローカルアンサッツと変分量子デフレレーション(VQD)を備えた変分量子固有解器(VQE)を用いる。
論文 参考訳（メタデータ） (2025-09-25T08:49:09Z) - Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。
QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。
我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
論文 参考訳（メタデータ） (2025-08-14T17:59:52Z) - 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) - Quantum simulations of nuclear resonances with variational methods [1.740992908651449]
この研究は、非エルミート・ハミルトニアンと互換性のある変分フレームワークを開発することで、量子アルゴリズムを用いて核共鳴をシミュレートすることを目的としている。
複雑なスケーリング手法を用いて、古典的な共鳴位置を抽出し、2段階のアルゴリズムを用いて量子シミュレーションに適応する。
その結果、核系の共鳴現象をシミュレートするためのスケーラブルで効率的な量子フレームワークが確立された。
論文 参考訳（メタデータ） (2025-04-16T01:01:56Z) - Multi-reference Quantum Davidson Algorithm for Quantum Dynamics [3.3869539907606603]
Quantum Krylov Subspace (QKS) 法が開発され、ノイズの多い中間スケール量子コンピュータ上で加速シミュレーションを行う能力が向上した。
マルチボディシステムの基底状態と励起状態を決定する新しい手法であるQDavidsonアルゴリズムから導出した2つのQKS手法を導入・評価する。
論文 参考訳（メタデータ） (2024-06-12T22:30:52Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits
at Exascale [57.84751206630535]
本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。
新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。
ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
論文 参考訳（メタデータ） (2021-04-21T13:26:42Z) - 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) - Towards simulating 2D effects in lattice gauge theories on a quantum
computer [1.327151508840301]
本研究では,既存の量子技術を用いた2次元量子力学(2次元QED)の基底状態特性を実験的に研究する量子シミュレーション手法を提案する。
この提案は、arXiv:2006.14160における効果的なスピンモデルとしての格子ゲージ理論の定式化に基づいている。
本稿では、磁場効果の研究のための2つの変分量子固有解法(VQE)ベースのプロトコルと、QEDの動作結合を計算するための重要な第一歩について述べる。
論文 参考訳（メタデータ） (2020-08-21T01:20:55Z)
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。