論文の概要: Neural Quantum States in Non-Stabilizer Regimes: Benchmarks with Atomic Nuclei

• arxiv url: http://arxiv.org/abs/2603.28646v1
• Date: Mon, 30 Mar 2026 16:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.508842
• Title: Neural Quantum States in Non-Stabilizer Regimes: Benchmarks with Atomic Nuclei
• Title（参考訳）: 非安定化器レジームにおける神経量子状態:原子核とのベンチマーク
• Authors: James W. T. Keeble, Alessandro Lovato, Caroline E. P. Robin,
• Abstract要約: 目的状態の量子複雑性に関連して, ニューラル量子状態の性能について検討する。 一定数の構成の場合、非安定度が大きい状態は体系的に学習するのが困難である。 この結果は、非安定化剤性が、絡み合った状態におけるRAMの圧縮と表現効率を支配する主要な要因であることを示している。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As neural networks are known to efficiently represent classes of tensor-network states as well as volume-law-entangled states, identifying which properties determine the representational capabilities of neural quantum states (NQS) remains an open question. We construct NQS representations of ground states of medium-mass atomic nuclei, which typically exhibit significant entanglement and non-stabilizerness, to study their performance in relation to the quantum complexity of the target state. Leveraging a second-quantized formulation of NQS tailored for nuclear-physics applications, we perform calculations in active orbital spaces using a restricted Boltzmann machine (RBM), a prototypical NQS ansatz. For a fixed number of configurations, we find that states with larger non-stabilizerness are systematically harder to learn, as evidenced by reduced accuracy. This finding suggests that non-stabilizerness is a primary factor governing the compression and representational efficiency of RBMs in entangled regimes, and motivates extending these studies to more sophisticated network architectures.
• Abstract（参考訳）: ニューラルネットワークはテンソル-ネットワーク状態のクラスや体積法則-絡み合った状態のクラスを効率的に表現することが知られているため、どの特性がニューラル量子状態(NQS)の表現能力を決定するかは未解決の問題である。 中質量原子核の基底状態のNQS表現は、典型的には大きな絡み合いと非安定化性を示し、ターゲット状態の量子的複雑さに関連してその性能を研究する。 核物理応用に適した第2量子化されたNQSの定式化を応用し、制限されたボルツマン機械(RBM)を用いて能動軌道空間で計算を行う。 一定数の構成の場合、精度の低下によって証明されるように、非安定度が大きい状態は体系的に学習が困難である。 この発見は、非安定化剤性が、絡み合った状態におけるRAMの圧縮と表現効率を規定する主要な要因であり、これらの研究をより洗練されたネットワークアーキテクチャに拡張する動機であることを示唆している。

関連論文リスト

• Quantum-Enhanced Neural Contextual Bandit Algorithms [50.880384999888044]
  本稿では,Quantum Neural Tangent Kernel-Upper Confidence Bound (QNTK-UCB)アルゴリズムを提案する。 QNTK-UCBは、量子ニューラルタンジェントカーネル(QNTK)を利用してこれらの制限に対処する新しいアルゴリズムである。
  論文  参考訳（メタデータ） (2026-01-06T09:58:14Z)
• Basis dependence of Neural Quantum States for the Transverse Field Ising Model [0.0]
  計算ベースの選択に対するニューラル量子状態の依存について検討する。 パラダイム的横場イジングモデルに対応する回転ハミルトニアンの族を考えると、NQS性能の依存性に寄与する基底状態の性質について論じる。 性能の基底依存性はクラスタの収束特性やマルチスピン演算子の累積展開と関係している。
  論文  参考訳（メタデータ） (2025-12-12T15:11:05Z)
• Efficient optimization of neural network backflow for ab-initio quantum chemistry [0.0]
  第2量子化量子化学ハミルトニアンの基底状態は、分子特性を決定する鍵となる。 本稿では,効率的な周期的コンパクトな部分空間構築,局所的エネルギー評価,サンプリングの改善,物理インフォームド修正を含むアルゴリズム拡張スイートを紹介する。 改良された手法は、CCSDやCCSD(T)のような従来の量子化学手法を超越し、他のNQS手法よりも優れ、最先端のアブイニシアト技術と競合するエネルギーを達成する。
  論文  参考訳（メタデータ） (2025-02-26T05:31:08Z)
• From Architectures to Applications: A Review of Neural Quantum States [0.0]
  我々は、そのようなシステムのシミュレーション、すなわちニューラル量子状態(NQS)のための比較的新しい変分状態のクラスをレビューする。 NQSは、状態の正確なパラメータ化に必要な指数関数的に多くの係数を格納するのではなく、ネットワークパラメータの観点から状態を圧縮することで指数関数スケーリングを克服する。
  論文  参考訳（メタデータ） (2024-02-14T18:59:16Z)
• Comment on "Can Neural Quantum States Learn Volume-Law Ground States?" [44.99833362998488]
  選択したNQSはスピン問題とフェルミオン問題の両方に対して体積法的絡み合いを持つ基底状態を学ぶことができることを示す。 上述の文字で使用した設定は、非フェルミオンNQSがフェルミオン状態の学習に不効率であることを明らかにする。
  論文  参考訳（メタデータ） (2023-09-20T14:44:04Z)
• Symmetric Pruning in Quantum Neural Networks [111.438286016951]
  量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。 ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。 本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
  論文  参考訳（メタデータ） (2022-08-30T08:17:55Z)
• On the Intrinsic Structures of Spiking Neural Networks [66.57589494713515]
  近年、時間依存データやイベント駆動データを扱う大きな可能性から、SNNへの関心が高まっている。 スパイキング計算における本質的な構造の影響を総合的に調査する研究が数多く行われている。 この研究はSNNの本質的な構造を深く掘り下げ、SNNの表現性への影響を解明する。
  論文  参考訳（メタデータ） (2022-06-21T09:42:30Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。