論文の概要: Quantum Phase Recognition via Quantum Attention Mechanism

• arxiv url: http://arxiv.org/abs/2602.00473v1
• Date: Sat, 31 Jan 2026 02:56:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.208099
• Title: Quantum Phase Recognition via Quantum Attention Mechanism
• Title（参考訳）: 量子アテンション機構による量子位相認識
• Authors: Jin-Long Chen, Xin Li, Zhang-Qi Yin,
• Abstract要約: 量子状態内の相関関係を抽出するハイブリッド量子古典的注意モデルを提案する。 モデルは100以上のトレーニングデータで高い分類精度を達成する。 複雑な多体システムにおいて、量子位相認識のためのスケーラブルでデータ効率のよいアプローチを提供する。
• 参考スコア（独自算出の注目度）: 4.522310554705239
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum phase transitions in many-body systems are fundamentally characterized by complex correlation structures, which pose computational challenges for conventional methods in large systems. To address this, we propose a hybrid quantum-classical attention model. This model uses an attention mechanism, realized through swap tests and a parameterized quantum circuit, to extract correlations within quantum states and perform ground-state classification. Benchmarked on the cluster-Ising model with system sizes of 9 and 15 qubits, the model achieves high classification accuracy with less than 100 training data and demonstrates robustness against variations in the training set. Further analysis reveals that the model successfully captures phase-sensitive features and characteristic physical length scales, offering a scalable and data-efficient approach for quantum phase recognition in complex many-body systems.
• Abstract（参考訳）: 多体系における量子相転移は、基本的には複雑な相関構造によって特徴づけられる。 そこで本研究では,ハイブリッド量子古典的アテンションモデルを提案する。 このモデルは、スワップテストとパラメータ化量子回路を通じて実現された注意機構を用いて、量子状態内の相関を抽出し、基底状態の分類を行う。 システムサイズ9および15キュービットのクラスタIsingモデル上でベンチマークを行い、100以上のトレーニングデータで高い分類精度を達成し、トレーニングセットの変動に対して堅牢性を示す。 さらに分析した結果、複雑な多体システムにおける量子位相認識のためのスケーラブルでデータ効率のよいアプローチとして、位相感受性の特徴と特徴的物理長スケールをうまく捉えていることが判明した。

関連論文リスト

• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Universal quantum phase classification on quantum computers from machine learning [4.838808905356641]
  シャドウトモグラフィーと現代の時系列機械学習モデルを組み合わせた新しいフレームワークを提案する。 提案手法は、有限深部局所ユニタリ回路による接続性に基づく量子位相の定義を利用する。 我々は、訓練データを処理し、普遍的な量子位相分類を実現するために、先進的な時系列モデルを用いることを実証した。
  論文  参考訳（メタデータ） (2025-08-06T18:00:04Z)
• Excitation Amplitude Sampling for Low Variance Electronic Structure on Quantum Computers [0.0]
  我々は古典的エネルギー学と部分影トモグラフィーを組み合わせることで、量子デバイス上に符号化された相関したabinitio電子系から情報を抽出する効率的なプロトコルを実現する。 所与の量子状態励起振幅に対する所要ショット数の約2桁の減少を示すことができる。 実量子デバイス上でのこれらの推定器の耐雑音性は、従来の手法に比べて最大で1桁高い。
  論文  参考訳（メタデータ） (2025-06-18T13:13:09Z)
• 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)
• Learning quantum phase transition in parametrized quantum circuits with an attention mechanism [0.18416014644193066]
  多体量子状態と量子相転移を学習することは、量子多体物理学における大きな課題である。 本稿では,パラメータ化量子回路のパラメータを直接学習することにより,物理オブザーバブルの測定を回避できる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-07T06:21:40Z)
• Quantum reservoir computing on random regular graphs [0.0]
  量子貯水池コンピューティング(QRC)は、入力駆動多体量子システムと古典的な学習技術を組み合わせた低複雑性学習パラダイムである。 我々は、情報局在化、動的量子相関、および乱れハミルトニアンの多体構造について研究する。 そこで本研究では、乱れたアナログ量子学習プラットフォームの最適設計のためのガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-09-05T16:18:03Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Hybrid quantum learning with data re-uploading on a small-scale superconducting quantum simulator [29.81784450632149]
  スーパーバイザード量子学習(Supervised quantum learning)は、変分量子アルゴリズムと古典的な機械学習の間の創発的な多分野のドメインブリッジである。 簡単なバイナリとマルチラベルのタスクで量子回路をトレーニングし、95%の分類精度を達成し、手書き十進数認識時に90%の精度でデータを再アップロードするハイブリッドモデルを構築した。
  論文  参考訳（メタデータ） (2023-05-04T16:03:32Z)
• Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
  大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。 解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
  論文  参考訳（メタデータ） (2021-08-30T23:50:05Z)

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。