論文の概要: Universal Neural Propagator: Learning Time Evolution in Many-Body Quantum Systems

• arxiv url: http://arxiv.org/abs/2605.05299v1
• Date: Wed, 06 May 2026 18:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.34945
• Title: Universal Neural Propagator: Learning Time Evolution in Many-Body Quantum Systems
• Title（参考訳）: ユニバーサル・ニューラル・プロパゲータ:多体量子システムにおける時間進化学習
• Abstract要約: 我々は、駆動プロトコルから時間進化プロパゲータへの関数マッピングを学習する単一の統一モデルであるUniversal Neural Propagator (UNP)を紹介する。 2次元駆動型Isingモデルでベンチマークを行い、UNPの精度と製品間および絡み合った初期状態間の転送性を示す。
• 参考スコア（独自算出の注目度）: 8.415180820101964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional approaches to simulating quantum many-body dynamics produce a single trajectory: if the Hamiltonian or the initial state is changed, the computation must be re-performed. Recent efforts toward foundation models have begun to address this limitation, yet existing methods transfer across either Hamiltonians or initial states, but not both. In this work, we introduce the Universal Neural Propagator (UNP), a single, unified model that learns the functional mapping from driving protocols to time-evolution propagators. Trained in an entirely self-supervised way, a single UNP model predicts dynamics across a function space of driving protocols and an exponentially large Hilbert space of initial states simultaneously. We benchmark on a two-dimensional driven Ising model and demonstrate the UNP's accuracy and transferability across product and entangled initial states, as well as for both in- and out-of-distribution driving protocols. The UNP remains accurate at system sizes beyond exact diagonalization, and can be efficiently fine-tuned across all initial states using observable data. By shifting the object of learning from quantum states to operators, this work opens a route toward transferable simulation of driven quantum matter.
• Abstract（参考訳）: 量子多体力学をシミュレートする従来のアプローチでは、ハミルトニアンあるいは初期状態が変更された場合、計算は再実行されなければならない。 基礎モデルに対する最近の取り組みはこの制限に対処し始めているが、既存の手法はハミルトン州か初期州にまたがっているが、両方ではない。 本研究では、駆動プロトコルから時間進化プロパゲータへの関数的マッピングを学習する単一統一モデルであるUniversal Neural Propagator (UNP)を紹介する。 完全に自己教師された方法で訓練された単一のUNPモデルは、駆動プロトコルの関数空間と初期状態の指数的に大きなヒルベルト空間を同時に予測する。 我々は2次元駆動型Isingモデルでベンチマークを行い、UNPの精度と初期状態と絡み合った初期状態間の転送性、および、内および外分布駆動プロトコルについて示す。 UNPは正確な対角化以上のシステムサイズで正確であり、観測可能なデータを使用して全ての初期状態を効率的に微調整することができる。 学習対象を量子状態から演算子にシフトさせることで、この研究は駆動量子物質の伝達可能なシミュレーションへの道を開く。

関連論文リスト

• Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
  トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。 本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
  論文  参考訳（メタデータ） (2026-08-11T04:22:42Z)
• Neural Operator Quantum State: A Foundation Model for Quantum Dynamics [8.415180820101964]
  本稿では,量子力学の基礎モデルとしてニューラル演算子量子状態(NOQS)を紹介する。 我々のアプローチは、全駆動プロトコルを時間発展量子状態にマッピングするソリューション演算子を育成することを目的としている。 時間依存縦・横フィールドを持つ2次元Isingモデル上でNOQSを検証する。
  論文  参考訳（メタデータ） (2026-03-26T06:10:14Z)
• Learning Hamiltonians for solid-state quantum simulators [0.0]
  固体量子系の実験データから直接実効ハミルトニアンの同定を学習するための一般化可能なフレームワークを提案する。 我々のアプローチは、物理的制約を直接モデル構造に埋め込む物理インフォームドニューラルネットワークアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2026-03-03T11:37:43Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• 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)
• Learning effective Hamiltonians for adaptive time-evolution quantum algorithms [0.08796261172196743]
  多体ダイナミクスのディジタル量子シミュレーションは、ターゲットの時間進化を基本量子ゲートに分解するためにトロッター化に依存する。 近年の進歩は、より効率的な適応的なトロッタープロトコルを実現するためのプロトコルを概説している。 本稿では,量子ハミルトニアン学習を用いて実効ハミルトニアンを数値的に取得し,最近導入されたADA-Trotterアルゴリズムに適用することを提案する。
  論文  参考訳（メタデータ） (2024-06-10T11:50:38Z)
• RealTimeTransport: An open-source C++ library for quantum transport simulations in the strong coupling regime [0.0]
  RealTimeTransportは、静的および過渡的なトランスポートオブザーバの計算を可能にする、新しいオープンソースのC++ライブラリである。 中島-Zwanzigメモリカーネルを動的・輸送的にリアルタイムに計算する。 本稿では,RealTimeTransportのアーキテクチャと現在実装されている手法の実証について概説する。
  論文  参考訳（メタデータ） (2024-05-28T16:36:22Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Shadow tomography from emergent state designs in analog quantum simulators [0.0]
  本稿では,大域的制御のみを用いて,量子状態の多くの特性を推測する手法を提案する。 単位が十分に絡み合っていると、測定結果の統計と状態の性質の普遍的な関係が現れる。
  論文  参考訳（メタデータ） (2022-12-05T19:04:21Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)

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。