論文の概要: Entanglement-assisted Hamiltonian dynamics learning

• arxiv url: http://arxiv.org/abs/2602.15931v1
• Date: Tue, 17 Feb 2026 19:00:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-02-19 12:29:46.598174
• Title: Entanglement-assisted Hamiltonian dynamics learning
• Title（参考訳）: 絡み合い支援ハミルトン力学学習
• Authors: Ayaka Usui, Guillermo Abad-López, Hari krishnan SV, Anna Sanpera, Some Sankar Bhattacharya,
• Abstract要約: QGAN(Quantum Generative Adversarial Network)は、標準的なトロッター近似よりも優れていることが示されている。 本稿では、ランダムに補助的な1つのキュービットを学習システムに結合する、絡み合い支援学習戦略を提案する。 ランダム化と絡み合いの相互作用は、プロトコルの学習性能を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Approximating the dynamics given by a complex many-body Hamiltonian with a simpler effective model lies at the interface of quantum Hamiltonian learning and quantum simulation. In this context, quantum generative adversarial networks (QGANs) have been shown to outperform standard Trotter-based approximations. However, their performance is often hindered by training plateaus and local minima that become increasingly severe with system size. To overcome these limitations, we propose an entanglement-assisted learning strategy that couples a single randomly initialized auxiliary qubit to the learning system at an intermediate stage of the training process. The interplay between randomization and entanglement significantly enhances the learning performance of the protocol.
• Abstract（参考訳）: 複雑な多体ハミルトニアンによって与えられる力学を、より単純な効果的なモデルで近似することは、量子ハミルトニアン学習と量子シミュレーションのインターフェースにある。 この文脈では、量子生成逆数ネットワーク(QGAN)は標準的なトロッター近似より優れていることが示されている。 しかし、システムの規模が大きくなるにつれて、訓練台地や地元のミニマによってパフォーマンスが阻害されることがしばしばある。 これらの制限を克服するために,学習過程の中間段階において,ランダムに初期化された1つの補助量子ビットを学習システムに結合する絡み合い支援学習戦略を提案する。 ランダム化と絡み合いの相互作用は、プロトコルの学習性能を大幅に向上させる。

関連論文リスト

• Application of Reduced-Order Models for Temporal Multiscale Representations in the Prediction of Dynamical Systems [2.8200813318062754]
  本稿では,複雑なマルチスケールシステムの力学をモデル化し,予測するための3つのアプローチを提案する。 1つ目は、ニューラルネットワークと統合されたユニット分割法(PU)を利用して、ダイナミクスをローカルコンポーネントに分解する。 第二に、Singular Value Decomposition (SVD) を適用して、マクロとマイクロスケールのダイナミクスを明確に分離する支配的なモードを抽出する。
  論文  参考訳（メタデータ） (2025-10-21T11:46:15Z)
• Hamiltonian learning via quantum Zeno effect [0.0]
  局所的相互作用からなるハミルトン作用素に対するスケーラブルで実験的なハミルトン学習プロトコルを提案する。 理論的性能保証を導出し,IBMの超伝導量子ハードウェアへの実験的実装を通じて,数値シミュレーションによるプロトコルの実現可能性を示す。
  論文  参考訳（メタデータ） (2025-09-19T07:45:25Z)
• Regularized Neural Ensemblers [55.15643209328513]
  本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。 低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。 このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-06T15:25:39Z)
• Provably Efficient Adiabatic Learning for Quantum-Classical Dynamics [4.381980584443765]
  学習アルゴリズムを用いて量子古典的断熱力学を解析するための一般的な理論的枠組みを開発する。 量子情報理論を基礎として,対数的システムサイズサンプリングの複雑さを生かした,証明可能な効率の良いAdiabatic Learning (PEAL) アルゴリズムを開発した。 我々は,ホルシュタインモデル上でPEALをベンチマークし,シングルパスダイナミクスとアンサンブルダイナミクスの観測値の予測における精度と,ハミルトンの家系における伝達学習の精度を示す。
  論文  参考訳（メタデータ） (2024-08-01T04:31:36Z)
• Non-Markovian Quantum Control via Model Maximum Likelihood Estimation and Reinforcement Learning [0.0]
  環境の非マルコフ的性質を低次元有効貯留層に組み込む新しい手法を提案する。 従来のトモグラフィ法よりも効率的な量子力学の学習に機械学習技術を用いる。 このアプローチはモデルバイアスの問題を緩和するだけでなく、量子力学のより正確な表現を提供する。
  論文  参考訳（メタデータ） (2024-02-07T18:37:17Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• 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)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)

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。