論文の概要: Learning Hamiltonians for solid-state quantum simulators

• arxiv url: http://arxiv.org/abs/2603.02889v1
• Date: Tue, 03 Mar 2026 11:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.772962
• Title: Learning Hamiltonians for solid-state quantum simulators
• Title（参考訳）: 固体量子シミュレータのためのハミルトニアンの学習
• Authors: Jarosław Pawłowski, Mateusz Krawczyk,
• Abstract要約: 固体量子系の実験データから直接実効ハミルトニアンの同定を学習するための一般化可能なフレームワークを提案する。 我々のアプローチは、物理的制約を直接モデル構造に埋め込む物理インフォームドニューラルネットワークアーキテクチャに基づいている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce a generalizable framework for learning to identify effective Hamiltonians directly from experimental data in solid-state quantum systems. Our approach is based on a physics-informed neural network architecture that embeds physical constraints directly into the model structure. Unlike purely data-driven supervised schemes, the proposed unsupervised autoencoder-based method incorporates the governing physics (here, the S-matrix formalism) within the decoder network, ensuring that the learned representations remain physically meaningful. Through numerical learning experiments, we demonstrate automated characterization of programmable solid-state simulators from transport measurements, exemplified by a triple quantum dot chain. The trained model generalizes beyond the training domain and accurately infers Hamiltonian parameters from transport data. While the model has finite capacity -- leading to degraded performance when the parameter space becomes excessively large or structurally diverse -- we identify regimes in which robust generalization is maintained. We further show how to train the model to handle noisy measurements, reflecting realistic experimental conditions.
• Abstract（参考訳）: 固体量子系の実験データから直接実効ハミルトニアンの同定を学習するための一般化可能なフレームワークを提案する。 我々のアプローチは、物理的制約を直接モデル構造に埋め込む物理インフォームドニューラルネットワークアーキテクチャに基づいている。 純粋にデータ駆動型の教師付きスキームとは異なり、提案された教師なしオートエンコーダベースの手法は、デコーダネットワーク内に制御物理(以下、S行列形式)を組み込み、学習された表現が物理的に意味のあるままであることを保証する。 数値学習実験を通じて,三重量子ドットチェーンで実演した輸送測定から,プログラム可能な固体シミュレータの自動評価を実演する。 訓練されたモデルは、訓練領域を超えて一般化し、輸送データからハミルトンパラメータを正確に推測する。 モデルは有限キャパシティを持ち、パラメータ空間が過度に大きくなり、構造的に多様になったときに性能が低下する。 さらに、現実的な実験条件を反映して、ノイズ測定を扱うためにモデルをトレーニングする方法を示す。

関連論文リスト

• AI-enhanced tuning of quantum dot Hamiltonians toward Majorana modes [0.0]
  本稿では,量子ドットシミュレータにおける作業状態の広い景観を学習できるニューラルネットワークモデルを提案する。 適切なトレーニングを行うことで,ハミルトンパラメータとコンダクタンスマップ上の構造との関係を効率的に記憶することができることを示す。
  論文  参考訳（メタデータ） (2026-01-05T14:25:49Z)
• Learning mechanical systems from real-world data using discrete forced Lagrangian dynamics [0.0]
  位置測定から機械系の運動方程式を直接学習するデータ駆動手法を提案する。 これは、モーションキャプチャ、ピクセルデータ、低解像度追跡など、位置情報しか利用できないシステム識別タスクに特に関係している。
  論文  参考訳（メタデータ） (2025-05-26T12:13:00Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• 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)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Physics-guided Deep Markov Models for Learning Nonlinear Dynamical Systems with Uncertainty [6.151348127802708]
  我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。 提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
  論文  参考訳（メタデータ） (2021-10-16T16:35:12Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• A physics-informed operator regression framework for extracting data-driven continuum models [0.0]
  高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。 提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。 局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2020-09-25T01:13:51Z)
• Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control [14.24939133094439]
  物理系の力学を推論できるディープラーニングフレームワークであるSymlectic ODE-Net(SymODEN)を紹介する。 特に、ハミルトン力学を制御して、基礎となる力学を透過的に学習する。 このフレームワークは、物理的システムに対して解釈可能で物理的に一貫性のあるモデルを提供することで、モデルベースの制御戦略を合成する新たな可能性を開く。
  論文  参考訳（メタデータ） (2019-09-26T13:13:16Z)

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。