論文の概要: Learning high-dimensional quantum entanglement through physics-guided neural networks
- arxiv url: http://arxiv.org/abs/2604.03482v1
- Date: Fri, 03 Apr 2026 22:09:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.602585
- Title: Learning high-dimensional quantum entanglement through physics-guided neural networks
- Title（参考訳）: 物理誘導ニューラルネットワークによる高次元量子絡み合いの学習
- Authors: Yang Xu, Hao Zhang, Wenwen Zhang, Luchang Niu, Girish Kulkarni, Mahtab Amooei, Sergio Carbajo, Robert W. Boyd,
- Abstract要約: 本稿では,物理誘導型深層ニューラルネットワークを提案する。
ゲインレジーム全体では, 平均JSDが1.96e-3, WEMDが1.54e-3, KLが7.85e-3であった。
これらの結果から、物理誘導学習は、ソフトなOAM保存正規化器と物理的に生成された訓練目標を介して、迅速かつデータ効率の良いモーダルな特徴付けを可能にすることが示されている。
- 参考スコア（独自算出の注目度）: 9.690823115015908
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-gain spontaneous parametric down-conversion (SPDC) produces bright squeezed vacuum with rich high-dimensional entanglement, but its output is inherently multimodal and non-perturbative, making the full modal characterization a major computational bottleneck. We propose a physics-guided deep neural network that reconstructs the source's modal fingerprint: the high-dimensional correlation signature across radial and azimuthal indices. We designed a FiLM-modulated convolutional architecture that predicts the joint (m,l) distribution, and training is driven by a hybrid loss that couples data-driven metrics (JSD, KL, MSE, Wasserstein) with a soft orbital-angular-momentum (OAM) conservation term, providing an essential inductive bias toward physically consistent solutions. Across gain regimes, our method achieves high-fidelity reconstruction with average JSD of 1.96e-3, WEMD of 1.54e-3, and KL divergence of 7.85e-3, delivering an approximate 128-fold speedup over full numerical simulation and more than 30% accuracy gains over U-Net baselines. These results demonstrate that physics-guided learning, via a soft OAM-conservation regularizer and physically generated training targets, enables rapid and data-efficient modal characterization. Compared with traditional numerical simulation, our mesh-free method has demonstrated good generalization with limited or contaminated training data and has enabled fast "online" prediction of the quantum dynamics of a high-dimensional entanglement system for real-world experimental implementation.
- Abstract（参考訳）: 高利得自発パラメトリックダウンコンバージョン(SPDC)は、リッチな高次元エンタングルメントを持つ明るい圧縮真空を生成するが、その出力は本質的にマルチモーダルで非摂動的であり、完全なモーダル特性が大きな計算ボトルネックとなる。
本稿では, 物理誘導型深層ニューラルネットワークを用いて, 原点指紋を再構成し, 放射と方位の指数を横断する高次元相関シグネチャを提案する。
我々は,関節(m,l)分布を予測するFiLM変調畳み込みアーキテクチャを設計し,データ駆動計測(JSD,KL,MSE,Wasserstein)と軟軌道角運動量(OAM)保存項を結合したハイブリッド損失によりトレーニングを行い,物理的に一貫した解に対する本質的な帰納バイアスを与える。
ゲイン方式全体では,平均JSDが1.96e-3,WEMDが1.54e-3,KLが7.85e-3,KLが7.85e-3,KLが約128倍の高速化が達成され,U-Netベースラインの精度が30%以上向上した。
これらの結果から、物理誘導学習は、ソフトなOAM保存正規化器と物理的に生成された訓練目標を介して、迅速かつデータ効率の良いモーダルな特徴付けを可能にすることが示されている。
従来の数値シミュレーションと比較して,メッシュフリーな手法は,制限あるいは汚染されたトレーニングデータによる優れた一般化を実証し,実世界の実験実装のための高次元エンタングルメントシステムの量子力学の高速な「オンライン」予測を可能にした。
関連論文リスト
- Hardware-Aware Model Design and Training of Silicon-based Analog Neural Networks [33.83993649730681]
物理インフォームドハードウェア・アウェアモデルを用いてニューラルネットワークを再トレーニングすることにより、理想的なネットワークモデルの推論精度を完全に回復できることを示す。
これは、アナログニューラルネットワークの忠実性を改善するデフォルトオプションよりも、スケーラビリティと統合密度に有望である。
論文 参考訳（メタデータ） (2025-12-08T10:11:13Z) - OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。
本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。
テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
論文 参考訳（メタデータ） (2025-06-12T16:23:02Z) - 3D Neural Operator-Based Flow Surrogates around 3D geometries: Signed Distance Functions and Derivative Constraints [3.100300350494905]
高忠実度3次元流れシミュレーションの計算コストは依然として大きな課題である。
我々は、符号付き距離関数(SDF)を介して幾何学情報を組み込んだ変種であるDeepONet(DeepONet)とGeometric-DeepONet(Geometric-DeepONet)を評価する。
その結果,Geometric-DeepONetは標準のDeepONetに比べて境界層精度を最大32%向上することがわかった。
論文 参考訳（メタデータ） (2025-03-21T16:40:48Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳（メタデータ） (2023-05-01T23:20:27Z) - Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。
我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
論文 参考訳（メタデータ） (2023-04-21T20:49:29Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - Physics-enhanced deep surrogates for partial differential equations [30.731686639510517]
本稿では, 複雑な物理系のための高速サロゲートモデル開発に向けて, 物理強化ディープサロゲート(PEDS)アプローチを提案する。
具体的には,低忠実で説明可能な物理シミュレータとニューラルネットワークジェネレータの組み合わせを提案する。
論文 参考訳（メタデータ） (2021-11-10T18:43:18Z)
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。