論文の概要: Simulating non-Markovian open quantum dynamics by exploiting physics-informed neural network

• arxiv url: http://arxiv.org/abs/2603.08081v1
• Date: Mon, 09 Mar 2026 08:21:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.692794
• Title: Simulating non-Markovian open quantum dynamics by exploiting physics-informed neural network
• Title（参考訳）: 物理インフォームドニューラルネットワークを用いた非マルコフ開量子力学のシミュレーション
• Authors: Long Cao, Liwei Ge, Daochi Zhang, Yao Wang, Rui-Xue Xu, YiJing Yan, Xiao Zheng,
• Abstract要約: この研究は、物理インフォームドニューラルネットワーク(PINN)アプローチを、オープン量子システムのダイナミクスをシミュレートするニューラルネットワーク状態フレームワークに統合する。 提案したPINN-DQME法は、時間領域分解戦略における時間符号化ニューラルネットワークを用いて、ディシパトン埋め込み量子マスター方程式(DQME)によって支配される進化を表現する。 PINN-DQME法は、非マルコフ効果が弱い高温での量子散逸ダイナミクスのシミュレーションにおいて高い精度を示す。
• 参考スコア（独自算出の注目度）: 10.049898018843265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work integrates the physics-informed neural network (PINN) approach into the neural quantum state framework to simulate open quantum system dynamics, to circumvent the computationally expensive time-dependent variational principle required in conventional variational methods. The proposed PINN-DQME method employs time-encoded neural networks within a time-domain decomposition strategy to represent the evolution governed by the dissipaton-embedded quantum master equation (DQME). We implement and validate this approach in the single-impurity Anderson model, benchmarking the PINN-DQME results against the numerically exact hierarchical equations of motion. The PINN-DQME method demonstrates high accuracy in simulating quantum dissipative dynamics at high temperatures, where non-Markovian effects are weak. However, for strongly non-Markovian dynamics at low temperatures, it encounters challenges with error accumulation during time propagation, highlighting an area for future refinement in applying PINNs to complex quantum dynamical settings.
• Abstract（参考訳）: この研究は、物理インフォームドニューラルネットワーク(PINN)アプローチをニューラルネットワークのフレームワークに統合し、オープン量子システムのダイナミクスをシミュレートし、従来の変分法で必要とされる計算コストのかかる時間依存の変動原理を回避する。 提案したPINN-DQME法は、時間領域分解戦略において、ディシパトン埋め込み量子マスター方程式(DQME)によって支配される進化を表現するために、時間エンコードされたニューラルネットワークを用いる。 PINN-DQMEの結果を数値的に正確な階層的な運動方程式に対してベンチマークし、この手法を単不純物アンダーソンモデルで実装し、検証する。 PINN-DQME法は、非マルコフ効果が弱い高温での量子散逸ダイナミクスのシミュレーションにおいて高い精度を示す。 しかし、低温での強い非マルコフ力学では、時間伝播中にエラーの蓄積に遭遇し、複雑な量子力学設定にPINNを適用する際の将来の改善の領域を浮き彫りにしている。

関連論文リスト

• Quantum machine learning for efficient reduced order modelling of turbulent flows [7.466937279190739]
  乱流の正確な予測は、その高次元性と固有非線形性のために流体力学における中心的な課題である。 量子アルゴリズムと機械学習の最近の発展は、乱流モデリングに固有の計算障壁を克服する新たな機会を提供する。 ここでは、リアルタイムの乱流予測を高速化する新しいハイブリッド量子古典的フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-23T17:42:46Z)
• Quantum Filtering and Stabilization of Dissipative Quantum Systems via Augmented Neural Ordinary Differential Equations [5.819937157229223]
  AQNODEは、測定データから直接量子軌道と散逸パラメータを学習するフレームワークである。 提案手法は、弱い測定データを統合して、量子ビット状態と時間依存デコヒーレンス率を再構成する。 AQNODEは、分散量子システムのリアルタイムモデリングと制御のためのスケーラブルで微分可能で実験的に互換性のあるフレームワークである。
  論文  参考訳（メタデータ） (2025-09-08T20:23:45Z)
• Many-body dynamics with explicitly time-dependent neural quantum states [0.0]
  時間依存型ニューラル量子状態(t-NQS)を導入する。 時間に依存しないパラメータの集合を1つに最適化し、時間に依存するシュリンガー方程式を全時間間隔で解く。 結果はt-NQSを強い相関系における量子力学を探索する強力なフレームワークとして確立する。
  論文  参考訳（メタデータ） (2024-12-16T14:53:26Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Enhancing Open Quantum Dynamics Simulations Using Neural Network-Based Non-Markovian Stochastic Schrödinger Equation Method [2.9413085575648235]
  ニューラルネットワーク技術と非マルコフシュロディンガー方程式のシミュレーションを組み合わせる手法を提案する。 このアプローチは、特に低温での長時間シミュレーションに必要な軌道の数を著しく減少させる。
  論文  参考訳（メタデータ） (2024-11-24T16:57:07Z)
• 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)
• Simulating Non-Markovian Open Quantum Dynamics with Neural Quantum States [9.775774445091516]
  我々はディシパトン中の環境記憶を符号化し、ディシパトン埋め込み量子マスター方程式(DQME)を生成する。 結果として得られるNQS-DQMEフレームワークは、多体相関と非マルコフメモリのコンパクトな表現を実現する。 この方法論は、非マルコフ的開量子力学を先取り可能なシステムで探求するための新しい経路を開く。
  論文  参考訳（メタデータ） (2024-04-17T06:17:08Z)
• 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)
• Dynamics with autoregressive neural quantum states: application to critical quench dynamics [41.94295877935867]
  本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。 二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
  論文  参考訳（メタデータ） (2022-09-07T15:50:00Z)
• Simulating the Mott transition on a noisy digital quantum computer via Cartan-based fast-forwarding circuits [62.73367618671969]
  動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。 不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。 この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
  論文  参考訳（メタデータ） (2021-12-10T17:32:15Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)

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。