論文の概要: Improving Generalization and Trainability of Quantum Eigensolvers via Graph Neural Encoding

• arxiv url: http://arxiv.org/abs/2602.19752v1
• Date: Mon, 23 Feb 2026 12:01:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.796082
• Title: Improving Generalization and Trainability of Quantum Eigensolvers via Graph Neural Encoding
• Title（参考訳）: グラフニューラル符号化による量子固有解法の一般化と学習性の向上
• Authors: Jungyun Lee, Daniel K. Park,
• Abstract要約: 多体ハミルトンの基底状態は物理学、化学、最適化において中心的な問題である。 本稿では,グラフオートエンコーダと古典的ニューラルネットワークを組み合わせたエンドツーエンド表現学習フレームワークを提案する。 一般化と訓練性が向上し, 試験誤差が減少し, 勾配分散が著しく低下することを示した。
• 参考スコア（独自算出の注目度）: 0.5013248430919223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Determining the ground state of a many-body Hamiltonian is a central problem across physics, chemistry, and combinatorial optimization, yet it is often classically intractable due to the exponential growth of Hilbert space with system size. Even on fault-tolerant quantum computers, quantum algorithms with convergence guarantees -- such as quantum phase estimation and quantum subspace methods -- require an initial state with sufficiently large overlap with the true ground state to be effective. Variational quantum eigensolvers (VQEs) are natural candidates for preparing such states; however, standard VQEs typically exhibit poor generalization, requiring retraining for each Hamiltonian instance, and often suffer from barren plateaus, where gradients can vanish exponentially with circuit depth and system size. To address these limitations, we propose an end-to-end representation learning framework that combines a graph autoencoder with a classical neural network to generate VQE parameters that generalize across Hamiltonian instances. By encoding interaction topology and coupling structure, the proposed model produces high-overlap initial states without instance-specific optimization. Through extensive numerical experiments on families of one- and two-local Hamiltonians, we demonstrate improved generalization and trainability, manifested as reduced test error and a significantly milder decay of gradient variance. We further show that our method substantially accelerates convergence in quantum subspace-based eigensolvers, highlighting its practical impact for downstream quantum algorithms.
• Abstract（参考訳）: 多体ハミルトニアンの基底状態を決定することは、物理学、化学、組合せ最適化における中心的な問題であるが、システムサイズを持つヒルベルト空間の指数関数的な成長のために古典的に魅力的であることが多い。 フォールトトレラントな量子コンピュータでも、量子位相推定や量子部分空間法のような収束を保証する量子アルゴリズムは、真の基底状態と十分に重なる初期状態を必要とする。 変分量子固有解法(VQEs)はそのような状態を作るための自然な候補であるが、標準のVQEは一般的に一般化が不十分で、ハミルトンのインスタンスごとに再訓練が必要であり、しばしばバレンプラトー(英語版)に悩まされ、勾配は回路深さとシステムサイズで指数関数的に消滅する。 これらの制約に対処するために、グラフオートエンコーダと古典的ニューラルネットワークを組み合わせたエンドツーエンドの表現学習フレームワークを提案し、ハミルトンインスタンス全体にわたって一般化されたVQEパラメータを生成する。 相互作用トポロジと結合構造を符号化することにより、インスタンス固有の最適化なしに高オーバラップ初期状態を生成する。 一局所ハミルトニアン族と二局所ハミルトニアン族の家系に関する広範な数値実験により、一般化と訓練性の向上が示され、試験誤差の低減と勾配分散の著しく緩やかな崩壊が示された。 さらに,本手法は,量子サブスペースベースの固有解法における収束を著しく促進し,下流量子アルゴリズムの実用的影響を強調した。

関連論文リスト

• Quantum-accelerated conjugate gradient methods via spectral initialization [0.0]
  フォールトトレラント量子アルゴリズムは、古典的共役勾配解法(CG)のスペクトル情報の初期推定を構築するためにのみ用いられる。 QACGの中心的な特徴は、量子と古典的解法の間の条件数の制御可能な分解である。 その結果,早期のフォールトトレラント量子コンピューティングの科学的,産業的利用への具体的な道筋が示されている。
  論文  参考訳（メタデータ） (2026-02-10T11:51:42Z)
• Quantum neural ordinary and partial differential equations [38.77776626953413]
  古典的ニューラルODE/PDEの連続時間形式を量子機械学習と量子制御にもたらす統一的なフレームワークを提案する。 我々は、QNODEsを有限次元量子システムの進化と定義し、QNPDEsを無限次元(連続変数)のものと定義する。
  論文  参考訳（メタデータ） (2025-08-24T18:43:44Z)
• Grassmann Variational Monte Carlo with neural wave functions [45.935798913942904]
  ヒルベルト空間のグラスマン幾何学の観点から、Pfau et al.citepfau2024accurateによって導入された枠組みを定式化する。 正方格子上のハイゼンベルク量子スピンモデルに対する我々のアプローチを検証し、多くの励起状態に対して高精度なエネルギーと物理観測値を達成する。
  論文  参考訳（メタデータ） (2025-07-14T13:53:13Z)
• 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)
• QAMA: Scalable Quantum Annealing Multi-Head Attention Operator for Deep Learning [48.12231190677108]
  QAMA(Quantum Annealing Multi-Head Attention)は、エネルギーベースのハミルトン最適化問題として注目を集める新しいドロップイン演算子である。 この枠組みでは、トークン相互作用を二項二項項に符号化し、低エネルギー構成の探索に量子アニールを用いる。 経験的に、自然言語と視覚のベンチマークによる評価は、タスク全体にわたって、標準的なマルチヘッドの注意から少なくとも2.7ポイントの精度が低下していることを示している。
  論文  参考訳（メタデータ） (2025-04-15T11:29:09Z)
• Unleashed from Constrained Optimization: Quantum Computing for Quantum Chemistry Employing Generator Coordinate Inspired Method [9.95432381301196]
  単位結合クラスタ励起発生器のプールから多体基底集合を強固に構築する適応型スキームを導入する。 このスキームは階層型ADAPT量子古典戦略の開発をサポートし、サブスペース展開とアンサッツ最適化のバランスの取れた相互作用を可能にする。
  論文  参考訳（メタデータ） (2023-12-12T19:36:51Z)
• Sparse Quantum State Preparation for Strongly Correlated Systems [0.0]
  原理として、指数関数的にスケールする多電子波関数を線形にスケールする量子ビットレジスタに符号化することは、従来の量子化学法の限界を克服するための有望な解決策を提供する。 基底状態量子アルゴリズムが実用的であるためには、量子ビットの初期化が要求される基底状態の高品質な近似に必須である。 量子状態準備(QSP)は、古典的な計算から得られる近似固有状態の生成を可能にするが、量子情報のオラクルとして頻繁に扱われる。
  論文  参考訳（メタデータ） (2023-11-06T18:53:50Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• 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)
• Hamiltonian Quantum Generative Adversarial Networks [4.806505912512235]
  本稿では、未知の入力量子状態を生成することを学ぶために、ハミルトン量子生成共振器ネットワーク(HQuGAN)を提案する。 提案手法は,多体多体量子状態に絡み合った多体量子状態の学習能力を数値的に示す。
  論文  参考訳（メタデータ） (2022-11-04T16:53:55Z)
• Provably efficient variational generative modeling of quantum many-body systems via quantum-probabilistic information geometry [3.5097082077065003]
  パラメータ化混合状態に対する量子自然勾配降下の一般化を導入する。 また、堅牢な一階近似アルゴリズム、Quantum-Probabilistic Mirror Descentを提供する。 我々のアプローチは、モデル選択における柔軟性を実現するために、それまでのサンプル効率の手法を拡張しました。
  論文  参考訳（メタデータ） (2022-06-09T17:58:15Z)

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。