論文の概要: Reinforcement learning for path integrals in quantum statistical physics
- arxiv url: http://arxiv.org/abs/2602.16176v1
- Date: Wed, 18 Feb 2026 04:26:03 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-02-19 12:27:50.816862
- Title: Reinforcement learning for path integrals in quantum statistical physics
- Title（参考訳）: 量子統計物理学における経路積分の強化学習
- Authors: Timour Ichmoukhamedov, Dries Sels,
- Abstract要約: 量子系の熱密度行列を生成するユークリッド経路積分のクラスを計算するために、強化学習がどのように用いられるかを示す。
特に,ある量に対する変分近似が第1ステップで得られた後,第2ステップで正確な結果を効率よく計算できるという特徴を持つ2段階の手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Machine learning is rapidly finding its way into the field of computational quantum physics. One of the most popular and widely studied approaches in this direction is to use neural networks to model quantum states (NQS) in the Hamiltonian formulation of quantum mechanics. However, an alternative angle of attack to leverage machine learning in physics is through the path integral formulation, which has so far received far more limited attention. In this paper, we explore how reinforcement learning can be used to compute a class of Euclidean path integrals that yield the thermal density matrix of a quantum system, thereby enabling the computation of the free energy or other thermal expectation values. In particular, we propose a two-step approach with the unique feature that after a variational approximation for a quantity is obtained in a first step, it can then be used to efficiently compute the exact result in a second step. We benchmark this method on several simple systems and then apply it to the quantum rotor chain.
- Abstract（参考訳）: 機械学習は、計算量子物理学の分野に急速に浸透しつつある。
この方向で最も広く研究されているアプローチの1つは、量子力学のハミルトン的定式化において、ニューラルネットワークを用いて量子状態(NQS)をモデル化することである。
しかし、物理学における機械学習を活用するための代替の攻撃角は、経路積分の定式化を通じてであり、これまではより限定的な注目を集めてきた。
本稿では,量子系の熱密度行列を生成するユークリッド経路積分のクラスを計算するために強化学習を用いて,自由エネルギーや他の熱期待値の計算を可能にする方法について検討する。
特に,ある量に対する変分近似が第1ステップで得られた後,第2ステップで正確な結果を効率よく計算できるという特徴を持つ2段階の手法を提案する。
いくつかの簡単なシステムでこの手法をベンチマークし、量子ローターチェーンに適用する。
関連論文リスト
- Quantum physics informed neural networks for multi-variable partial differential equations [1.024113475677323]
ネストされた自動微分法に頼ることなく、二階微分(および高階微分)を計算するように設計されたアーキテクチャを導入する。
このアプローチは、ネストした勾配に関連する不要な副作用を軽減し、より効率的で正確な実装の道を開く。
概念実証として、熱方程式の1次元の例を解き、PDEを扱う上での有効性を実証する。
論文 参考訳（メタデータ） (2025-03-15T19:55:33Z) - Towards Quantum Computational Mechanics [1.530480694206666]
本稿では、量子コンピューティングを用いて、計算ホモジェナイゼーションにおける代表要素体積(RVE)問題を解く方法について述べる。
我々の量子RVE解法は古典解法に対して指数加速度を得る。
論文 参考訳（メタデータ） (2023-12-06T12:53:02Z) - Quantum Thermal State Preparation [39.91303506884272]
量子マスター方程式をシミュレートするための簡単な連続時間量子ギブスサンプリングを導入する。
我々は、特定の純ギブス状態を作成するための証明可能かつ効率的なアルゴリズムを構築した。
アルゴリズムのコストは温度、精度、混合時間に依存している。
論文 参考訳（メタデータ） (2023-03-31T17:29:56Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2023-01-04T23:37:45Z) - Near-term quantum algorithm for computing molecular and materials
properties based on recursive variational series methods [44.99833362998488]
本稿では,分子の特性を短期量子デバイスを用いて推定する量子アルゴリズムを提案する。
エネルギー領域における一粒子グリーン関数と時間領域における自己相関関数を計算し,本手法を検証した。
論文 参考訳（メタデータ） (2022-06-20T16:33:23Z) - Quantum algorithms for grid-based variational time evolution [36.136619420474766]
本稿では,第1量子化における量子力学の実行のための変分量子アルゴリズムを提案する。
シミュレーションでは,従来観測されていた変動時間伝播手法の数値不安定性を示す。
論文 参考訳（メタデータ） (2022-03-04T19:00:45Z) - Quantum Alphatron: quantum advantage for learning with kernels and noise [2.94944680995069]
我々は、フォールトトレラントな設定でAlphatronの量子バージョンを提供する。
2層ニューラルネットワークの学習における量子優位性について論じる。
論文 参考訳（メタデータ） (2021-08-26T09:36:20Z) - Quantum Annealing Formulation for Binary Neural Networks [40.99969857118534]
本研究では、リソース制約のあるデバイスを意図した軽量で強力なモデルであるバイナリニューラルネットワークについて検討する。
トレーニング問題に対する2次非制約バイナリ最適化の定式化を考案する。
問題は難解であり、すなわち、二分重みを推定するコストはネットワークサイズと指数関数的にスケールするが、どのようにして問題を量子アニール器に直接最適化できるかを示す。
論文 参考訳（メタデータ） (2021-07-05T03:20:54Z)
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。