論文の概要: AI-enhanced tuning of quantum dot Hamiltonians toward Majorana modes

• arxiv url: http://arxiv.org/abs/2601.02149v1
• Date: Mon, 05 Jan 2026 14:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.174389
• Title: AI-enhanced tuning of quantum dot Hamiltonians toward Majorana modes
• Title（参考訳）: 量子ドットハミルトニアンのマヨラナモードへのAIによるチューニング
• Authors: Mateusz Krawczyk, Jarosław Pawłowski,
• Abstract要約: 本稿では,量子ドットシミュレータにおける作業状態の広い景観を学習できるニューラルネットワークモデルを提案する。 適切なトレーニングを行うことで,ハミルトンパラメータとコンダクタンスマップ上の構造との関係を効率的に記憶することができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We propose a neural network-based model capable of learning the broad landscape of working regimes in quantum dot simulators, and using this knowledge to autotune these devices - based on transport measurements - toward obtaining Majorana modes in the structure. The model is trained in an unsupervised manner on synthetic data in the form of conductance maps, using a physics-informed loss that incorporates key properties of Majorana zero modes. We show that, with appropriate training, a deep vision-transformer network can efficiently memorize relation between Hamiltonian parameters and structures on conductance maps and use it to propose parameters update for a quantum dot chain that drive the system toward topological phase. Starting from a broad range of initial detunings in parameter space, a single update step is sufficient to generate nontrivial zero modes. Moreover, by enabling an iterative tuning procedure - where the system acquires updated conductance maps at each step - we demonstrate that the method can address a much larger region of the parameter space.
• Abstract（参考訳）: 本稿では,量子ドットシミュレータにおける動作状態の広い視野を学習し,この知識を応用して,これらのデバイス(輸送計測に基づく)を自動チューニングし,構造中のMajoranaモードを取得するニューラルネットワークベースのモデルを提案する。 このモデルは、マヨラナゼロモードの重要な性質を含む物理インフォームド損失を用いて、コンダクタンスマップの形式で合成データに基づいて教師なしの方法で訓練される。 適切なトレーニングを行うことで、ハミルトンパラメータとコンダクタンスマップの構造との関係を効率的に記憶し、それを応用して、システムをトポロジ的フェーズに向けて駆動する量子ドットチェーンのパラメータ更新を提案することができる。 パラメータ空間の幅広い初期変形から始めると、単一の更新ステップは非自明なゼロモードを生成するのに十分である。 さらに,各ステップで更新されたコンダクタンスマップを取得する反復的チューニング手順を有効にすることにより,パラメータ空間のより広い領域に対処できることを実証する。

関連論文リスト

• Learning Hamiltonians for solid-state quantum simulators [0.0]
  固体量子系の実験データから直接実効ハミルトニアンの同定を学習するための一般化可能なフレームワークを提案する。 我々のアプローチは、物理的制約を直接モデル構造に埋め込む物理インフォームドニューラルネットワークアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2026-03-03T11:37:43Z)
• Inverse designed Hamiltonians for perfect state transfer and remote entanglement generation, and applications in superconducting qubits [17.409153512099138]
  ハミルトニアン逆エンジニアリングは、特定の量子進化やターゲット状態の準備のためのプロトコルの設計を可能にする。 我々は、ドームモデルと呼ばれるハミルトン系のクラスを構築し、システムのノイズに対する堅牢性を大幅に改善する。 我々の研究は、急速かつ柔軟なハミルトン工学を可能にするチューナブルカプラを用いた超伝導量子ビットの実証に特に適している。
  論文  参考訳（メタデータ） (2025-10-15T14:16:51Z)
• Learning Optical Flow Field via Neural Ordinary Differential Equation [44.16275288019991]
  近年の光学フロー推定では、ニューラルネットワークを用いて、ある画像の位置を他方の位置にマッピングする流れ場を予測している。 連続モデル,すなわちニューラル常微分方程式(ODE)を用いて流れの微分を予測する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-06-03T18:30:14Z)
• Learning interactions between Rydberg atoms [4.17037025217542]
  グラフニューラルネットワーク(GNN)を用いたハミルトン学習へのスケーラブルなアプローチを提案する。 我々は、GNNモデルがトレーニング領域を超えて外挿できることを実証した。
  論文  参考訳（メタデータ） (2024-12-16T17:45:30Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Order Parameter Discovery for Quantum Many-Body Systems [0.7524645831849636]
  本稿では, 位相図作成のための新しい手法について紹介する。 この方法では、量子位相をマッピングし、最適化問題を定式化し、順序パラメータに対応する可観測性を発見する。 本稿では,Axial Next Nearest Neighbour Interaction(ANNNI)モデル,クラスタ状態モデル,およびRydberg原子の連鎖など,確立されたモデルに適用することで,アプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-08-02T17:25:04Z)
• Exploring quantum localization with machine learning [39.58317527488534]
  本稿では、その局所化の観点から、波動関数を分類するための効率的なニューラルネットワーク(NN)アーキテクチャを提案する。 提案手法は, 量子位相空間のパラメトリゼーションにより, 改良畳み込みモデルのパターン認識機能と, 独自の「量子」NNへと導かれる。
  論文  参考訳（メタデータ） (2024-06-01T08:50:26Z)
• Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-05-06T06:23:06Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Completely Positive Map for Noisy Driven Quantum Systems Derived by Keldysh Expansion [39.58317527488534]
  ケルディシュ形式に基づくデコヒーレンスモデルを導入する。 この定式化により、非周期駆動と相関量子ノイズをモデルに含めることができる。 我々は、この戦略が量子ビット状態移動およびゲート演算における相関量子ノイズを緩和するパルスを生成することを示した。
  論文  参考訳（メタデータ） (2023-03-20T23:05:24Z)
• Variational waveguide QED simulators [58.720142291102135]
  導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。 ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
  論文  参考訳（メタデータ） (2023-02-03T18:55:08Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• Simulating the Mott transition on a noisy digital quantum computer via Cartan-based fast-forwarding circuits [62.73367618671969]
  動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。 不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。 この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
  論文  参考訳（メタデータ） (2021-12-10T17:32:15Z)
• Autoencoder-driven Spiral Representation Learning for Gravitational Wave Surrogate Modelling [47.081318079190595]
  オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。 ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。 スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2021-07-09T09:03:08Z)

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。