論文の概要: Cluster-Adaptive Sample-Based Quantum Diagonalization for Strongly Correlated Systems

• arxiv url: http://arxiv.org/abs/2603.09346v1
• Date: Tue, 10 Mar 2026 08:24:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.148244
• Title: Cluster-Adaptive Sample-Based Quantum Diagonalization for Strongly Correlated Systems
• Title（参考訳）: クラスタ適応型サンプルベース量子対角化と強相関系
• Authors: Byeongyong Park, Sanha Kang, Jongseok Seo, Juhee Baek, Doyeol, Ahn, Keunhong Jeong,
• Abstract要約: 強い相関を持つ電子系は本質的に多重構成波動関数を示す。 量子コンピューティングは、これらの制限を緩和するための有望なルートとして登場した。 クラスタ適応型SQDを導入し、教師なし学習を用いてサンプルをクラスタ化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Strongly correlated electronic systems exhibit inherently multiconfigurational wave functions, making it difficult to construct compact variational subspaces that preserve the essential multireference character. Quantum computing has emerged as a promising route to alleviate these limitations, and sample-based quantum diagonalization (SQD) is a representative hybrid approach that uses quantum hardware as a determinant sampler followed by classical diagonalization in the projected subspace. To mitigate hardware noise, SQD employs a self-consistent particle-number recovery guided by a single global reference occupancy vector. However, in strongly correlated, multimodal regimes, this global reference can become mixture-averaged and bias recovery toward a mean pattern, diluting mode-specific occupation structure and degrading the determinant pool. Here, we introduce cluster-adaptive SQD (CSQD), which clusters measurement samples via unsupervised learning and performs particle-number recovery using cluster-specific, self-consistently updated reference occupancy vectors. Under a matched variational budget, we benchmarked CSQD against SQD for N2 dissociation in a (10e,26o) active space and the [2Fe-2S] cluster in a (30e,20o) active space. Our results indicate that CSQD offers an advantage over SQD in estimating the ground-state energy in the strongly correlated regime, lowering the variational estimate by up to 15.95 mHa for stretched N2 and up to 45.53 mHa for [2Fe-2S], with modest additional classical overhead.
• Abstract（参考訳）: 強い相関関係を持つ電子系は本質的に多重構成波動関数を示しており、必須の多重参照文字を保存するコンパクトな変動部分空間を構築することは困難である。 量子コンピューティングはこれらの制限を緩和するための有望な経路として現れており、サンプルベースの量子対角化(SQD)は、量子ハードウェアを決定的サンプリング器として使用し、続いて投影された部分空間で古典的対角化を行う代表的ハイブリッドアプローチである。 ハードウェアノイズを軽減するため、SQDは単一グローバル参照占有ベクトルで導かれる自己整合粒子数回復を用いる。 しかし、強く相関したマルチモーダルな体制では、この大域的な基準は平均値と偏差を平均パターンに反映し、モード固有の占有構造を希釈し、決定性プールを劣化させる。 本稿では,クラスタ適応型SQD(Cluster-adaptive SQD)について紹介する。これは教師なし学習を用いてサンプルをクラスタ化し,クラスタ固有で自己整合的に更新された参照占有ベクトルを用いて粒子数回復を行う。 CSQD を (10e,26o) 活性空間の N2 解離と (30e,20o) 活性空間の [2Fe-2S) クラスターの SQD と比較した。 以上の結果から,CSQD は強相関状態における基底状態エネルギーの推定において SQD よりも有利であり,N2 の伸張で最大 15.95 mHa ,[2Fe-2S] で最大 45.53 mHa まで変化の予測を下方修正した。

関連論文リスト

• Doubling the size of quantum selected configuration interaction based on seniority-zero space and its application to QC-QSCI-AFQMC [0.0]
  二重占有構成相互作用-量子選択構成相互作用(DOCI-QSCI)を提案する。 年齢ゼロの空間からサンプリングするが、セクター制限は量的精度を損なう可能性がある。 DOCI-QSCIは従来のQSCIにアクセスできる軌道空間を2倍にし、その後のph-AFQMC後処理は合理的に高い精度を提供することを示す。
  論文  参考訳（メタデータ） (2026-02-08T11:16:39Z)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Coupled cluster method tailored by quantum selected configuration interaction [0.0]
  本稿では、結合クラスタ(CC)理論を量子選択構成相互作用(QSCI)波動関数で調整するハイブリッド量子古典スキームを提案する。 QSCIは、量子ハードウェア上に準備された多電子状態の再構築にスケーラブルでショット効率のよいアプローチを提供する。
  論文  参考訳（メタデータ） (2025-06-20T11:07:26Z)
• Enhancing the accuracy and efficiency of sample-based quantum diagonalization with phaseless auxiliary-field quantum Monte Carlo [0.0]
  位相のない補助場量子モンテカルロ(ph-AFQMC)の非摂動的アプローチにより、かなりの量の相関エネルギーを回復できることを示す。 ph-AFQMCエネルギーとSQD試験波動関数のエネルギー分散の補間は、エネルギーの精度をさらに向上させる可能性がある。
  論文  参考訳（メタデータ） (2025-03-07T22:38:22Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Two-dimensional correlation propagation dynamics with a cluster discrete phase-space method [0.0]
  高度に制御された量子系の非平衡力学は、統計物理学において難しい問題である。 一般SU($N$)スピン系に対する離散位相空間アプローチを開発する。 最近の実験では,クラスタの離散トラッピングウィグナー近似が重要な結果を再現できることを数値的に示している。
  論文  参考訳（メタデータ） (2024-04-29T11:08:44Z)
• CBQ: Cross-Block Quantization for Large Language Models [66.82132832702895]
  ポストトレーニング量子化(PTQ)は、超低コストで大規模言語モデル(LLM)を圧縮する上で重要な役割を果たしている。 LLMのためのクロスブロック再構成に基づくPTQ手法CBQを提案する。 CBQはリコンストラクションスキームを使用してクロスブロック依存関係を採用し、エラーの蓄積を最小限に抑えるために複数のブロックにまたがる長距離依存関係を確立する。
  論文  参考訳（メタデータ） (2023-12-13T07:56:27Z)
• Distribution-Flexible Subset Quantization for Post-Quantizing Super-Resolution Networks [68.83451203841624]
  本稿では,超高分解能ネットワークのためのポストトレーニング量子化手法であるDFSQを提案する。 DFSQは活性化のチャネルワイド正規化を行い、分布フレキシブルなサブセット量子化(SQ)を適用する 6ビットの量子化と8ビットの量子化では完全精度に匹敵する性能を達成し、4ビットの量子化では0.1dBのPSNR低下しか生じない。
  論文  参考訳（メタデータ） (2023-05-10T04:19:11Z)

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。