論文の概要: Generative Deep Learning for the Two-Dimensional Quantum Rotor Model

• arxiv url: http://arxiv.org/abs/2602.20772v1
• Date: Tue, 24 Feb 2026 11:06:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.718549
• Title: Generative Deep Learning for the Two-Dimensional Quantum Rotor Model
• Title（参考訳）: 2次元量子ロータモデルのための生成的深層学習
• Authors: Yanyang Wang, Feng Gao, Kui Tuo, Wei Li,
• Abstract要約: 本研究では,GAN(Generative Adversarial Network)の基本構造に基づく2つのモデルを設計する。 半教師付き学習フレームワーク内では,複数レイヤの変換畳み込みをジェネレータに組み込む。 システムサイズが異なる基底状態サンプルに関連付けられた1次元潜伏変数の解析により、臨界点の位置を特定できる。
• 参考スコア（独自算出の注目度）: 7.545403823716431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advancement of diverse generative deep learning models and their variants has furnished substantial insights for investigating quantum many-body problems. In this work, we design two models based on the foundational architecture of generative adversarial networks (GANs) to investigate the ground-state properties and phase transition characteristics of the two-dimensional quantum rotor model (QRM). Within a semi-supervised learning framework, we incorporate multiple layers of transposed convolutions in the generator, enabling the conditional GAN to more efficiently extract low-dimensional encoded information. Analysis of one-dimensional latent variables associated with ground-state samples for different system sizes allows us to pinpoint the location of the critical point. In addition, we introduce dynamically adaptive weighting factors related to the distributional characteristics into the loss function of the deep convolutional GAN, and utilize upsampling techniques to enlarge the generated sample sizes. Comparisons of the optimization processes for mean magnetization and potential energy density across different magnetization regimes of QRM demonstrate that our model can efficiently generate valid ground-state samples, significantly reducing computational time. Our results highlight the promising potential of generative deep learning in quantum phase transition research, especially in critical point identification and the auxiliary generation of simulation data for quantum many-body models.
• Abstract（参考訳）: 多様な生成的深層学習モデルの進歩とその変種は、量子多体問題を研究する上で重要な洞察を与えてきた。 本研究では,2次元量子ロータモデル(QRM)の基底状態特性と相転移特性を調べるために,GANの基本構造に基づく2つのモデルを設計する。 半教師付き学習フレームワーク内では,複数レイヤの変換畳み込みをジェネレータに組み込むことで,条件付きGANが低次元符号化情報をより効率的に抽出することができる。 システムサイズが異なる基底状態サンプルに関連付けられた1次元潜伏変数の解析により、臨界点の位置を特定できる。 さらに, 分布特性に関連する動的適応重み付け因子を深部畳み込み型GANの損失関数に導入し, アップサンプリング技術を用いて試料径を拡大する。 QRMの異なる磁化系における平均磁化とポテンシャルエネルギー密度の最適化プロセスの比較により,本モデルが有効な基底状態サンプルを効率よく生成し,計算時間を著しく短縮できることを示した。 本稿では,量子相転移研究における生成的深層学習の可能性,特に臨界点同定と量子多体モデルシミュレーションデータの補助的生成について述べる。

関連論文リスト

• Quantum Phase Transitions in the Transverse-Field Ising Model: A Comparative Study of Exact, Variational, and Hardware-Based Approaches [0.0]
  本稿では,一次元逆場イジングモデルの基底状態特性と量子臨界ダイナミクスについて検討する。 我々は4つのスピンからなる格子に焦点を合わせ、そこで基底状態エネルギー、磁気秩序パラメータ、相関関数を計算する。 浅変分回路の基底状態エネルギーは、パラメータ空間全体の回路によって確実に捕捉される。
  論文  参考訳（メタデータ） (2026-01-24T16:26:15Z)
• Multi-resolution Physics-Aware Recurrent Convolutional Neural Network for Complex Flows [2.7233737247962786]
  MRPARCv2は、対流拡散反応方程式の構造を埋め込んで複雑な流れをモデル化するように設計されている。 The Well Multi-physicsベンチマークレポジトリの2次元乱流放射層データセットを用いて,そのモデルの評価を行った。
  論文  参考訳（メタデータ） (2025-12-04T16:19:10Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Compact Multi-Threshold Quantum Information Driven Ansatz For Strongly Interactive Lattice Spin Models [0.0]
  近似量子相互情報(QMI)に基づくアンザッツ建築の体系的手順を提案する。 提案手法は,QMI値に基づいて各層の量子ビット対が選択される層状アンサッツを生成し,より効率的な状態生成と最適化ルーチンを実現する。 その結果,Multi-QIDA法は高い精度を維持しながら計算複雑性を低減し,格子スピンモデルにおける量子シミュレーションに有望なツールであることがわかった。
  論文  参考訳（メタデータ） (2024-08-05T17:07:08Z)
• Using a Feedback-Based Quantum Algorithm to Analyze the Critical Properties of the ANNNI Model Without Classical Optimization [0.0]
  フィードバック型量子アルゴリズム(FQA)を用いたANNNIモデル(Anisotropic Next-Nearest-Neighbor Ising)の臨界特性について検討する。 アルゴリズムの対称性を活用することで、ターゲットとする初期状態が収束を高め、励起状態の研究を促進することを示す。 この結果から、FQAが量子系を研究するための汎用的なツールとしての可能性を強調し、量子相転移と複雑なスピンモデルの磁気的性質に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-25T20:58:03Z)
• Exploring quantum localization with machine learning [39.58317527488534]
  本稿では、その局所化の観点から、波動関数を分類するための効率的なニューラルネットワーク(NN)アーキテクチャを提案する。 提案手法は, 量子位相空間のパラメトリゼーションにより, 改良畳み込みモデルのパターン認識機能と, 独自の「量子」NNへと導かれる。
  論文  参考訳（メタデータ） (2024-06-01T08:50:26Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)
• Variational learning of quantum ground states on spiking neuromorphic hardware [0.0]
  高次元サンプリング空間と過渡自己相関は、難しい計算ボトルネックを伴うニューラルネットワークに直面する。 従来のニューラルネットワークと比較して、物理モデルデバイスは高速で効率的で本質的に並列な基板を提供する。 変動エネルギー最小化による量子スピンモデルの基底状態を表すニューロモルフィックチップの能力を示す。
  論文  参考訳（メタデータ） (2021-09-30T14:39:45Z)
• Flow-based Generative Models for Learning Manifold to Manifold Mappings [39.60406116984869]
  本稿では,フローベース生成モデルに類似した,多様体値データに対する可逆層を3種類導入する。 配向分布関数の分野の脳画像を確実にかつ正確に再構築できる有望な結果を示します。
  論文  参考訳（メタデータ） (2020-12-18T02:19:18Z)

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。