論文の概要: Physics-inspired transformer quantum states via latent imaginary-time evolution

• arxiv url: http://arxiv.org/abs/2602.03031v1
• Date: Tue, 03 Feb 2026 02:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.206554
• Title: Physics-inspired transformer quantum states via latent imaginary-time evolution
• Title（参考訳）: 物理学に着想を得た変圧器量子状態 : 潜時仮想時間進化による研究
• Authors: Kimihiro Yamazaki, Itsushi Sakata, Takuya Konishi, Yoshinobu Kawahara,
• Abstract要約: 本稿では,ニューラルネットワークの量子状態(NQS)を,潜伏する仮想時間進化に対する神経近似として扱う,物理的に透明な枠組みを提案する。 フラストレーションの$J$-$J$Heisenbergモデルでは、我々のアンスターゼは最先端のTQSと同等かそれ以上の精度を達成する。
• 参考スコア（独自算出の注目度）: 4.463860336170642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural quantum states (NQS) are powerful ansätze in the variational Monte Carlo framework, yet their architectures are often treated as black boxes. We propose a physically transparent framework in which NQS are treated as neural approximations to latent imaginary-time evolution. This viewpoint suggests that standard Transformer-based NQS (TQS) architectures correspond to physically unmotivated effective Hamiltonians dependent on imaginary time in a latent space. Building on this interpretation, we introduce physics-inspired transformer quantum states (PITQS), which enforce a static effective Hamiltonian by sharing weights across layers and improve propagation accuracy via Trotter-Suzuki decompositions without increasing the number of variational parameters. For the frustrated $J_1$-$J_2$ Heisenberg model, our ansätze achieve accuracies comparable to or exceeding state-of-the-art TQS while using substantially fewer variational parameters. This study demonstrates that reinterpreting the deep network structure as a latent cooling process enables a more physically grounded, systematic, and compact design, thereby bridging the gap between black-box expressivity and physically transparent construction.
• Abstract（参考訳）: ニューラル量子状態(NQS)は変分モンテカルロフレームワークにおいて強力なアンセッツェであるが、それらのアーキテクチャはしばしばブラックボックスとして扱われる。 我々は,NQSを潜在想像時間進化に対する神経近似として扱う,物理的に透明な枠組みを提案する。 この見解は、標準的なTransformer-based NQS (TQS) アーキテクチャは、潜在空間における虚時間に依存する物理的に動機づけられない実効的ハミルトニアンに対応することを示唆している。 この解釈に基づいて物理に着想を得た変圧器量子状態 (PITQS) を導入し, 層間で重みを共有し, 変動パラメータの数を増やすことなくトロッタスズキ分解による伝播精度を向上させる。 フラストレーション付き$J_1$-$J_2$Heisenbergモデルでは、我々のアンサッツェは、非常に少ない変動パラメータを使用しながら、最先端のTQSと同等かそれ以上の精度を達成する。 本研究は, 深部ネットワーク構造を遅延冷却プロセスとして再解釈することにより, より物理的に接地し, 体系的, コンパクトな設計が可能であり, ブラックボックスの表現率と物理的に透明な構造とのギャップを埋めることができることを示す。

関連論文リスト

• Robust Variational Ground-State Solvers via Dissipative Quantum Feedback Models [3.7346004746366384]
  本稿では,量子微分方程式によって支配されるオープン量子系の基底状態問題を解くための変分フレームワークを提案する。 散逸性量子光学系をパラメータ化することにより、その定常エネルギーを最小化し、ターゲットハミルトニアン基底状態を近似する。 このフレームワークは、空洞量子電磁力学(QED)やフォトニック結晶回路などの実験プラットフォームと互換性がある。
  論文  参考訳（メタデータ） (2025-07-26T15:28:35Z)
• Solving the Hubbard model with Neural Quantum States [66.55653324211542]
  ダッピングされた2次元ハバードモデルに対する最先端結果について検討した。 NQSアンサッツの異なるアテンションヘッドは、異なるスケールで直接相関を符号化することができる。 我々の研究は、マルチフェミオンシステムに挑戦する強力なツールとしてNQSを確立します。
  論文  参考訳（メタデータ） (2025-07-03T14:08:25Z)
• 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)
• Adiabatic Fine-Tuning of Neural Quantum States Enables Detection of Phase Transitions in Weight Space [0.0]
  我々は,位相図上でNQSを訓練し,異なるモデル間で強く相関する重み表現をもたらすアディバティック微調整を導入する。 この重み空間の相関により、トレーニングされたネットワーク重みだけを解析することによって量子系の相転移を検出することができる。 この結果は,物理相転移とニューラルネットワークパラメータの幾何の関連性を確立し,物理における機械学習モデルの解釈可能性の新しい方向性を開拓する。
  論文  参考訳（メタデータ） (2025-03-21T13:42:11Z)
• Many-body dynamics with explicitly time-dependent neural quantum states [0.0]
  時間依存型ニューラル量子状態(t-NQS)を導入する。 時間に依存しないパラメータの集合を1つに最適化し、時間に依存するシュリンガー方程式を全時間間隔で解く。 結果はt-NQSを強い相関系における量子力学を探索する強力なフレームワークとして確立する。
  論文  参考訳（メタデータ） (2024-12-16T14:53:26Z)
• Neural Quantum State Study of Fracton Models [3.8068573698649826]
  フラクトン模型は3次元以上の非伝統的な位相秩序を包含する。 これらのモデルにおける相転移を研究するための新しいツールとして、ニューラル量子状態(NQS)を確立する。 本研究は,複雑な3次元問題の研究におけるNQSの顕著な可能性を示すものである。
  論文  参考訳（メタデータ） (2024-06-17T15:58:09Z)
• Explainable Equivariant Neural Networks for Particle Physics: PELICAN [51.02649432050852]
  PELICANは、新しい置換同変であり、ローレンツ不変アグリゲーターネットワークである。 本稿では,タグ付け(分類)とローレンツ発泡トップクォークの再構成(回帰)の両文脈におけるPELICANアルゴリズムアーキテクチャについて述べる。 PELICANの適用範囲を、クォーク開始時とグルーオン開始時とを識別するタスクに拡張し、5種類のジェットを対象とするマルチクラス同定を行う。
  論文  参考訳（メタデータ） (2023-07-31T09:08:40Z)
• 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)
• Dynamics with autoregressive neural quantum states: application to critical quench dynamics [41.94295877935867]
  本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。 二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
  論文  参考訳（メタデータ） (2022-09-07T15:50:00Z)

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。