論文の概要: Physics Guided Generative Optimization for Trotter Suzuki Decomposition
- arxiv url: http://arxiv.org/abs/2605.13268v1
- Date: Wed, 13 May 2026 09:48:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:27.957183
- Title: Physics Guided Generative Optimization for Trotter Suzuki Decomposition
- Title（参考訳）: トロッタースズキ分解の物理ガイドによる生成最適化
- Authors: WenBin Yan,
- Abstract要約: 本稿では, トロッター鈴木シミュレーションにおける製品公式の生成と評価のループについて述べる。
条件拡散モデルは戦略を提案し、物理情報ニューラルネットワークは微分フィデリティフィードバックを提供し、グラフニューラルネットワークは通勤者構造を符号化する。
この結果から, NISQ 指向コンパイルにおいて, 「生成モデルと物理監督」 が実現可能な角度であることが示唆された。
- 参考スコア（独自算出の注目度）: 2.0305676256390934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Product formulas for Trotter Suzuki simulation remain a practical route to Hamiltonian evolution on noisy intermediate scale quantum (NISQ) hardware, yet their accuracy hinges on three coupled choices: term grouping, product formula order, and timestep allocation. Toolchains such as Qiskit and Paulihedral lean on hand tuned heuristics, while the discrete nature of grouping and order makes naive gradient based optimization awkward. We describe a generate and evaluate loop: a conditional diffusion model proposes strategies, a physics informed neural network (PINN) supplies differentiable fidelity feedback, and a graph neural network (GNN) encodes commutator structure. Training spans a hybrid space (discrete grouping and order, continuous time steps); the closed loop uses REINFORCE and a Pareto tracker. On the transverse field Ising model (TFIM), under our primary comparison setup, the method reaches 85.6% of the fidelity of a fourth order Qiskit baseline (0.856) at roughly 21.8% of the circuit depth and 19.2% of the baseline CNOT count. Under an equal depth budget, fine tuning in the loop reached a best observed fidelity of 0.9994. Updated ablations show that, for a fixed training budget and default guidance knobs, module contributions depend on the training recipe and guidance hyperparameters CFG in particular needs to be tuned jointly with compute budget. Overall, the results suggest that "generative model and physics supervision" is a viable angle for NISQ oriented compilation, though where it wins still depends on the operating point.
- Abstract（参考訳）: トロッタースズキシミュレーションの製品公式は、ノイズの多い中間スケール量子(NISQ)ハードウェア上でのハミルトン進化への実践的な経路であり続けているが、それらの精度は、項群、積公式順序、時間ステップ割り当てという3つの組み合わせの選択にかかっている。
Qiskit や Paulihedral のようなツールチェーンは、手動チューニングされたヒューリスティックスに傾き、グループ化と順序の離散的な性質は、単純勾配に基づく最適化を邪魔する。
条件拡散モデルにより戦略が提案され、物理情報ニューラルネットワーク(PINN)が微分可能な忠実度フィードバックを提供し、グラフニューラルネットワーク(GNN)が通勤者構造を符号化する。
トレーニングはハイブリッドスペース(離散グルーピングと順序、連続時間ステップ)にまたがっており、クローズドループはREINFORCEとParetoトラッカーを使用する。
横フィールドイジングモデル(TFIM)では,回路深さの約21.8%,ベースラインCNOT数の約19.2%で,第4次カイスキットベースライン(0.856)の忠実度85.6%に達する。
均等な深さの予算の下では、ループの微調整は0.9994という最も観測された忠実度に達した。
修正された予算とデフォルトのガイダンスノブでは、モジュールのコントリビューションはトレーニングレシピとガイダンスハイパーパラメータCFGに依存し、特に計算予算と共同で調整する必要がある。
全体としては, NISQ 指向のコンパイルにおいて, 「生成モデルと物理監督」 が実現可能な角度であることが示唆されている。
関連論文リスト
- Neural QAOA$^{2}$: Differentiable Joint Graph Partitioning and Parameter Initialization for Quantum Combinatorial Optimization [3.7086487199744127]
本稿では,グラフ分割と初期パラメータを協調的に生成するエンドツーエンドの微分可能なフレームワークであるNeural QAOA$2$を提案する。
生成的評価ネットワーク(generative Evaluative Network, GEN)を統合することにより, 微分可能な量子評価器を高忠実度性能サロゲートとして利用する。
183 QUBO、Ising、MaxCutのインスタンス(21から1000変数)の実験は、勾配駆動のアプローチがベースラインを大きく上回ることを示した。
論文 参考訳（メタデータ） (2026-05-13T06:43:10Z) - Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。
LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
論文 参考訳（メタデータ） (2026-04-30T14:59:50Z) - Hardware-Efficient Hamiltonian Simulation via Trotter-Initialized Variational Optimization with Native Placement [0.0]
本稿では,製品形式分解を合成プリミティブとして扱う構造対応コンパイルフレームワークを提案する。
ハイゼンベルク、イジング、XYの各モデルに$n$--$8$ qubitsのモデルがあり、コンパイルされた回路は$F>0.996$となる。
IBM Torinoのハードウェアでは、より短い近似回路がより深い精度で分解される状態が観察される。
論文 参考訳（メタデータ） (2026-04-29T13:26:54Z) - Spectral Gating Networks [65.9496901693099]
我々は、フィードフォワードネットワークに周波数リッチな表現性を導入するために、スペクトルゲーティングネットワーク(SGN)を導入する。
SGNは、標準活性化経路をコンパクトなスペクトル経路と学習可能なゲートで拡張し、安定したベース動作からモデルを開始することができる。
計算予算に匹敵する精度と効率のトレードオフを継続的に改善する。
論文 参考訳（メタデータ） (2026-02-07T20:00:49Z) - Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。
VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。
合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
論文 参考訳（メタデータ） (2026-01-30T03:59:38Z) - Lane-Frame Quantum Multimodal Driving Forecasts for the Trajectory of Autonomous Vehicles [6.137648436139678]
自動運転のトレイ予測は、厳密な計算とレイテンシの制約の下で、正確でマルチモーダルなキャリブレーションされた予測を提供する必要がある。
本稿では,エゴ中心のレーン配向フレームで動作することにより,量子帰納バイアスを路面構造に整合させる,コンパクトなハイブリッド量子アーキテクチャを提案する。
Open Motionデータセットでは、SI1.94mのminADEとSI3.56mのminFDEが達成され、ミス率と強いリコールでキネマティックベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2025-11-21T07:00:07Z) - Extending QAOA-GPT to Higher-Order Quantum Optimization Problems [0.0]
我々はQAOA-GPTを高次非制約バイナリ最適化問題に拡張する。
我々は、ADAPT-QAOAを介して生成されたグラフ回路対に基づいてモデルをトレーニングし、重ヘックス格子上に埋め込まれた8ビットおよび16ビットのインスタンスの性能を評価する。
その結果、QAOA-GPTは高次コストハミルトニアンや複雑なエネルギー景観に効果的に一般化することを示した。
論文 参考訳（メタデータ） (2025-11-10T18:46:38Z) - Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。
NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。
我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
論文 参考訳（メタデータ） (2025-09-22T15:13:14Z) - Adaptive Federated Learning Over the Air [108.62635460744109]
オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。
解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
論文 参考訳（メタデータ） (2024-03-11T09:10:37Z) - Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。
最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
論文 参考訳（メタデータ） (2023-10-20T12:45:12Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z)
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。