論文の概要: Discovering quantum phenomena with Interpretable Machine Learning

• arxiv url: http://arxiv.org/abs/2604.16015v1
• Date: Fri, 17 Apr 2026 12:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.915593
• Title: Discovering quantum phenomena with Interpretable Machine Learning
• Title（参考訳）: 解釈可能な機械学習による量子現象の発見
• Authors: Paulin de Schoulepnikoff, Hendrik Poulsen Nautrup, Hans J. Briegel, Gorka Muñoz-Gil,
• Abstract要約: 解釈可能な機械学習技術は、複雑な量子データから物理的な洞察を抽出するための重要なツールになりつつある。 このようなモデルが物理的に意味があり、解釈可能な表現を学習できることを実証するために、変分オートエンコーダの最近の進歩の上に構築する。 我々はさらに、シンボリックな方法で学習パイプラインを強化し、コンパクトな解析記述子の発見を可能にした。
• 参考スコア（独自算出の注目度）: 0.47998222538650515
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Interpretable machine learning techniques are becoming essential tools for extracting physical insights from complex quantum data. We build on recent advances in variational autoencoders to demonstrate that such models can learn physically meaningful and interpretable representations from a broad class of unlabeled quantum datasets. From raw measurement data alone, the learned representation reveals rich information about the underlying structure of quantum phase spaces. We further augment the learning pipeline with symbolic methods, enabling the discovery of compact analytical descriptors that serve as order parameters for the distinct regimes emerging in the learned representations. We demonstrate the framework on experimental Rydberg-atom snapshots, classical shadows of the cluster Ising model, and hybrid discrete-continuous fermionic data, revealing previously unreported phenomena such as a corner-ordering pattern in the Rydberg arrays. These results establish a general framework for the automated and interpretable discovery of physical laws from diverse quantum datasets. All methods are available through qdisc, an open-source Python library designed to make these tools accessible to the broader community.
• Abstract（参考訳）: 解釈可能な機械学習技術は、複雑な量子データから物理的な洞察を抽出するための重要なツールになりつつある。 我々は、変動型オートエンコーダの最近の進歩に基づいて、そのようなモデルが広範囲の未ラベル量子データセットから物理的に意味のある、解釈可能な表現を学習できることを実証する。 生の測定データだけでは、学習された表現は量子位相空間の基盤構造に関する豊富な情報を明らかにする。 我々はさらに,学習パイプラインを記号的手法で拡張し,学習表現に現れる異なる規則の順序パラメータとして機能する,コンパクトな分析記述子を発見できるようにする。 実験的なRydberg-atomスナップショット、クラスターIsingモデルの古典的な影、およびハイブリッドな離散連続フェルミオンデータに関するフレームワークを実証し、Rydberg配列のコーナーオーダーパターンのような未報告の現象を明らかにした。 これらの結果は、様々な量子データセットから物理法則を自動的かつ解釈可能な発見のための一般的な枠組みを確立する。 すべてのメソッドはqdiscを通じて利用できる。qdiscはオープンソースPythonライブラリで、これらのツールがより広いコミュニティにアクセスできるように設計されている。

関連論文リスト

• Learning Hidden Structures in Open Quantum Dynamics [78.4675086615913]
  本研究では,制限された実験アクセス下でのオープン量子力学の隠れ構造的特徴を識別するための機械学習手法を提案する。 我々のフレームワークは、有効マルコフ進化の根底にある不変代数構造の推定を目標としている。 このアプローチの実現性は、複数の合成モデルと導波路量子電磁力学系で説明される。
  論文  参考訳（メタデータ） (2026-04-01T10:20:38Z)
• Interpretable representation learning of quantum data enabled by probabilistic variational autoencoders [0.5999777817331317]
  変分オートエンコーダ(VAE)は、いくつかの入力データの隠れた物理的特徴を抽出する際の約束を示す。 VAEは、量子データを扱う際に固有のランダム性や複雑な相関を考慮しなければならない。 ここでは,2つの重要な修正により,VAEが物理的に意味のある潜在表現を学習できることを実証する。
  論文  参考訳（メタデータ） (2025-06-13T17:39:41Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• Exponential Quantum Communication Advantage in Distributed Inference and Learning [19.827903766111987]
  本稿では,量子ネットワーク上で分散計算を行うフレームワークを提案する。 このフレームワーク内のモデルでは、指数的に少ない通信で勾配勾配を用いた推論と訓練を行うことができることを示す。 また、このクラスのモデルが入力の高非線形特徴を符号化できることを示し、その表現性はモデル深度とともに指数関数的に増加することを示した。
  論文  参考訳（メタデータ） (2023-10-11T02:19:50Z)
• Higher-order topological kernels via quantum computation [68.8204255655161]
  トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。 本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
  論文  参考訳（メタデータ） (2023-07-14T14:48:52Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• 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)

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。