論文の概要: Unsupervised learning for the systematic identification of nondispersive wave packets in driven helium

• arxiv url: http://arxiv.org/abs/2605.25324v1
• Date: Mon, 25 May 2026 01:14:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.225651
• Title: Unsupervised learning for the systematic identification of nondispersive wave packets in driven helium
• Title（参考訳）: 駆動ヘリウム中の非分散波パケットの系統的同定のための教師なし学習
• Authors: Juan M. Scarpetta, Gustavo A. Parra, Alejandro González-Melan, Javier Madroñero,
• Abstract要約: 駆動ヘリウム中の非分散波束は、拡散することなく古典共鳴軌道に従う長寿命量子状態である。 本研究では,駆動ヘリウム原子中の物理的関連状態の同定を自動化するための教師なし学習手法を提案する。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nondispersive wave packets in driven helium are long-lived quantum states that follow classical resonant orbits without spreading. Their identification typically requires detailed analysis of phase-space structures and extensive exploration of parameter regimes. In this work, we introduce an unsupervised learning approach to automate the identification of physically relevant states in the driven helium atom. Using a Floquet-based description, quantum states are computed and represented as probability distributions in configuration and phase space, which serve as input to a convolutional neural network that constructs a low-dimensional embedding of the data. Clustering in the embedding space reveals distinct classes of quantum states. By combining geometric analysis, physical parameter inspection, and time-evolution studies, we identify clusters corresponding to frozen planet states and nondispersive wave packets. The method successfully recovers known NDWP regimes without prior labeling, demonstrating that the learned representation captures physically meaningful structures in a systematic and automated manner. These results establish unsupervised representation learning as an effective tool for the systematic analysis of complex quantum datasets.
• Abstract（参考訳）: 駆動ヘリウム中の非分散波束は、拡散することなく古典共鳴軌道を辿る長寿命量子状態である。 それらの同定は通常、位相空間の構造の詳細な解析とパラメータ構造の広範な探索を必要とする。 本研究では,駆動ヘリウム原子中の物理的関連状態の同定を自動化するための教師なし学習手法を提案する。 Floquetベースの記述を用いて、量子状態は、構成と位相空間における確率分布として計算され、データの低次元埋め込みを構成する畳み込みニューラルネットワークへの入力として機能する。 埋め込み空間におけるクラスタリングは、異なる量子状態のクラスを明らかにする。 幾何解析,物理パラメータ検査,時間進化研究を組み合わせることで,凍った惑星の状態と非分散波のパケットに対応するクラスターを同定する。 この手法は、学習された表現が、体系的かつ自動化された方法で、物理的に意味のある構造をキャプチャすることを実証し、事前のラベル付けなしで既知のNDWPレギュレーションを回復する。 これらの結果は、複雑な量子データセットの体系的解析に有効なツールとして、教師なし表現学習を確立している。

関連論文リスト

• Entanglement-facilitated macroscopic cluster formation in quantum many-body dynamics [42.89492957665636]
  初期状態の絡み合いは真の真空気泡の拡散を抑制し、マクロな連結クラスターを安定化させる。 本研究は, 初期準備とグローバルな構造物の保全の関連性を確立するものである。
  論文  参考訳（メタデータ） (2026-05-21T18:21:14Z)
• 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)
• Unsupervised Topological Phase Discovery in Periodically Driven Systems via Floquet-Bloch State [6.853063455081748]
  フロッケ工学は、新しい非平衡位相を実現するための非平行なプラットフォームを提供する。 本稿では、モーメント時間(boldsymbolk,t$)空間で定義されたカーネルを利用する教師なし機械学習フレームワークを提案する。 この研究は、フロケ固有状態自体にコードされている固有位相特性を明らかにすることに成功している。
  論文  参考訳（メタデータ） (2025-12-31T12:23:13Z)
• Machine Learning-Enhanced Characterisation of Structured Spectral Densities: Leveraging the Reaction Coordinate Mapping [41.94295877935867]
  スペクトル密度は、開量子系におけるシステム-環境相互作用に関する必須情報を符号化する。 反応座標マッピングを用いて,機械学習を利用して重要な環境特徴を再構築する。 ローレンツピークの和として表されるスペクトル密度が構造化された散逸スピンボソンモデルに対し、観測可能なシステムの時間進化はニューラルネットワークによって1、2、3ローレンツピークのスペクトル密度を分類することができることを示す。
  論文  参考訳（メタデータ） (2025-01-13T17:02:04Z)
• Emergence of global receptive fields capturing multipartite quantum correlations [0.565473932498362]
  量子物理学において、波動関数レベルで明確に定義された構造を持つ単純なデータでさえ、非常に複雑な相関によって特徴づけられる。 量子統計学を学習しながら、ニューラルネットワークの重み空間をモニタリングすることで、複雑な多部パターンに関する物理的直観を発達させることができることを示す。 この結果から,非局所パターンを用いたデータ処理のための畳み込みニューラルネットワークの構築について,新たな知見が得られた。
  論文  参考訳（メタデータ） (2024-08-23T12:45:40Z)
• Quantum information scrambling in adiabatically-driven critical systems [49.1574468325115]
  量子情報スクランブル(quantum information scrambling)とは、量子多体系の多くの自由度に初期記憶された情報の拡散を指す。 ここでは、量子情報スクランブルの概念を、断熱進化中の臨界量子多体系に拡張する。
  論文  参考訳（メタデータ） (2024-08-05T18:00:05Z)
• Unsupervised Interpretable Learning of Phases From Many-Qubit Systems [2.4352963290061993]
  短距離多ビット系を理解するために,教師なしの機械学習技術を用いる方法を示す。 我々の研究は、教師なしの強い解釈性を目指して、ハイブリッドアルゴリズムを第一原理で適用するための扉を開く。
  論文  参考訳（メタデータ） (2022-08-18T14:35:28Z)
• Quantum Information Scrambling in Quantum Many-body Scarred Systems [10.413943995320887]
  量子多体スカーレッドシステムにおける量子情報のスクランブルダイナミクスについて検討する。 OTOC情報とホレボ情報の両方が、スカーレッド部分空間内の初期状態のために、光円錐の内部に線形な光円錐と周期的な振動を示すことがわかった。
  論文  参考訳（メタデータ） (2022-01-05T19:00:02Z)
• Probing Topological Spin Liquids on a Programmable Quantum Simulator [40.96261204117952]
  219原子プログラム可能な量子シミュレータを用いて量子スピン状態の探索を行う。 このアプローチでは、カゴメ格子のリンク上に原子の配列が配置され、リドベルク封鎖下での進化はフラストレーションのある量子状態を生成する。 古典的トーリック符号型の量子スピン液体相の開始は、トポロジカル弦演算子の評価により検出される。
  論文  参考訳（メタデータ） (2021-04-09T00:18:12Z)

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。