論文の概要: Learning spectral density functions in open quantum systems

• arxiv url: http://arxiv.org/abs/2602.24056v1
• Date: Fri, 27 Feb 2026 14:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.466024
• Title: Learning spectral density functions in open quantum systems
• Title（参考訳）: 開量子系におけるスペクトル密度関数の学習
• Authors: Felipe Peleteiro, João Victor Shiguetsugo Kawanami Lima, Pedro Marcelo Prado, Felipe Fernandes Fanchini, Ariel Norambuena,
• Abstract要約: ノイズデータからスペクトル密度関数を再構成するために, 純劣化チャネルと振幅減衰チャネルを備えた正確に解像可能なスピンボソンモデルを用いる。 我々のニューラルネットワークは、ノイズ信号のフィルタリングと一般的な機能的依存関係の学習によって、構造化された密度を頑健に再構築する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spectral density functions quantify how environmental modes couple to quantum systems and govern their open dynamics. Inferring such frequency-dependent functions from time-domain measurements is an ill-conditioned inverse problem. Here, we use exactly solvable spin-boson models with pure-dephasing and amplitude-damping channels to reconstruct spectral density functions from noisy simulated data. First, we introduce a parameter estimation approach based on machine learning regressors to infer Lorentzian and Ohmic-like spectral density parameters, quantifying robustness to noise. Second, we show that a cosine transform inversion yields a physics-consistent spectral prior estimation, which is refined by a constrained neural network enforcing positivity and correct asymptotic behaviour. Our neural network framework robustly reconstructs structured spectral densities by filtering simulated noisy signals and learning general functional dependencies.
• Abstract（参考訳）: スペクトル密度関数は、環境モードが量子システムとどのように結合するかを定量化し、その開力学を管理する。 このような周波数依存関数を時間領域測定から推定することは不条件逆問題である。 ここでは、純粋に強調された振幅減衰チャネルを持つ正確な解像可能なスピンボソンモデルを用いて、ノイズシミュレーションデータからスペクトル密度関数を再構成する。 まず,LorrentzianおよびOhmic-likeスペクトル密度パラメータを推定し,雑音に対するロバスト性を定量化するために,機械学習回帰器に基づくパラメータ推定手法を提案する。 第2に、コサイン変換の逆転は、正の正の傾向と正しい漸近的振舞いを強制する制約付きニューラルネットワークによって洗練される、物理一貫性のあるスペクトル事前推定をもたらすことを示す。 我々のニューラルネットワークフレームワークは、シミュレートされた雑音信号のフィルタリングと一般的な機能的依存関係の学習によって、構造化されたスペクトル密度を頑健に再構成する。

関連論文リスト

• On the Mechanism and Dynamics of Modular Addition: Fourier Features, Lottery Ticket, and Grokking [49.1352577985191]
  本稿では,2層ニューラルネットワークがモジュール追加タスクを解くために,機能をどのように学習するかを包括的に分析する。 我々の研究は、学習したモデルの完全な機械論的解釈と、その訓練力学の理論的説明を提供する。
  論文  参考訳（メタデータ） (2026-02-18T20:25:13Z)
• FUTON: Fourier Tensor Network for Implicit Neural Representations [56.48739018255443]
  入射神経表現(INR)はシグナルを符号化する強力なツールとして現れてきたが、支配的な設計はしばしば収束が遅く、ノイズに過度に適応し、外挿が不十分である。 低ランクテンソル分解により係数がパラメータ化される一般化フーリエ級数として信号をモデル化するFUTONを導入する。
  論文  参考訳（メタデータ） (2026-02-13T19:31:44Z)
• Spectral analysis of the Koopman operator recovers Hamiltonian parameters in open quantum systems [0.0]
  我々は,MHAVOKアルゴリズムのマルチチャネルハンケル代替ビューが,ハミルトニアンパラメータを検索するための堅牢で信頼性の高いデータ駆動手法であることを示す。 この方法は、これらのパラメータを得るためにクープマン作用素の離散スペクトルに依存し、mHAVOKアルゴリズムを用いて計算される。
  論文  参考訳（メタデータ） (2025-11-28T18:57:15Z)
• Separated-Variable Spectral Neural Networks: A Physics-Informed Learning Approach for High-Frequency PDEs [21.081644719506453]
  分離可変スペクトルニューラルネットワーク(SV-SNN)は、ニューラルPDE解決におけるスペクトルバイアス問題に対処する新しいフレームワークである。 SV-SNNは1～3桁の精度向上を実現し,パラメータ数を90%以上削減した。
  論文  参考訳（メタデータ） (2025-08-01T13:40:10Z)
• A machine learning based approach to the identification of spectral densities in quantum open systems [39.58317527488534]
  オープン量子システムの力学に影響を与える環境を特徴付けるための機械学習に基づく手法を提案する。 我々は、スペクトル密度で強みを符号化したシステムと環境の相互作用が純粋に劣化を引き起こす、正確に解けるスピン-ボソンモデルの場合に焦点を当てる。
  論文  参考訳（メタデータ） (2025-07-18T08:23:15Z)
• Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
  Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。 我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• 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)
• Accurate Numerical Simulations of Open Quantum Systems Using Spectral Tensor Trains [0.0]
  量子ビット間のデコヒーレンス(英語版)は、量子計算における主要なボトルネックである。 数値計算法Q-ASPEN(Quantum Accelerated Propagator Evaluation)を提案する。 Q-ASPENは任意に正確であり、誤り訂正量子計算に必要なリソースを推定するために適用することができる。
  論文  参考訳（メタデータ） (2024-07-16T02:33:27Z)
• Probing spectral features of quantum many-body systems with quantum simulators [0.0]
  我々は,量子シミュレータを用いた量子多体系の励起スペクトルを探索する枠組みを確立する。 遷移エネルギー推定の時間的複雑さは、シミュレーション精度に対数的依存を持つことを示す。 スピン格子モデルの励起スペクトルをIBM量子デバイスで実験的に探索する方法を実証する。
  論文  参考訳（メタデータ） (2023-05-12T17:58:44Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Digital noise spectroscopy with a quantum sensor [57.53000001488777]
  本稿では,ノイズプロセスの自己相関をサンプリングし,再構成するための量子センシングプロトコルを実験的に導入し,実証する。 ウォルシュノイズ分光法はスピンフリップパルスの単純な配列を利用してディジタルフィルタの完全基底を生成する。 ダイヤモンド中の単一窒素空孔中心の電子スピン上での核スピン浴により生じる有効磁場の自己相関関数を実験的に再構成した。
  論文  参考訳（メタデータ） (2022-12-19T02:19:35Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)

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。