論文の概要: Learning quantum ground states in the space of measurement outcomes

• arxiv url: http://arxiv.org/abs/2605.28931v1
• Date: Wed, 27 May 2026 18:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.130898
• Title: Learning quantum ground states in the space of measurement outcomes
• Title（参考訳）: 測定結果の空間における量子基底状態の学習
• Authors: Kartiek Agarwal,
• Abstract要約: 本稿では, 自己回帰型ニューラルネットワークを用いて, 測定空間における量子多体基底状態の変動学習について検討する。 我々は1次元の逆場イジングモデルとハイゼンベルクモデルに、L=128までのシステムサイズのためのギャップフィールドとともに、我々のアプローチをベンチマークする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate variational learning of quantum many-body ground states directly in measurement space using autoregressive neural networks. In particular, we represent quantum states via probability distributions of outcomes over a symmetric informationally complete positive operator-valued measure (SIC-POVM). The probability distribution is encoded in the parameters of an autoregressive neural-network-based on gated recurrent units (GRUs). Ground states are obtained by gradient descent that updates the probability distribution to minimize the energy with respect to a given Hamiltonian, while enforcing positivity constraints that ensure that the distribution of measurement outcomes correspond to a physical quantum state. We analyze the role of constraint enforcement (hierarchy of positivity conditions), variety of neural network architectures (multiple layers, dilation, and modifications of input data) in determining the success of this approach. We benchmark our approach on one-dimensional transverse-field Ising model and the Heisenberg model, along with gapping fields, for system sizes up to L=128, illustrating its efficacy across a wide variety of models.
• Abstract（参考訳）: 本稿では, 自己回帰型ニューラルネットワークを用いて, 測定空間における量子多体基底状態の変動学習について検討する。 特に、対称的な情報的完備な正の演算子評価測度(SIC-POVM)上の結果の確率分布を通して量子状態を表現する。 確率分布は、ゲートリカレントユニット(GRU)に基づく自己回帰型ニューラルネットワークのパラメータに符号化される。 基底状態は、あるハミルトニアンに関するエネルギーを最小限に抑えるために確率分布を更新する勾配降下によって得られ、測定結果の分布が物理量子状態に対応することを保証する正の制約が課される。 我々は、このアプローチの成功を決定する上で、制約執行(実証条件の階層)、さまざまなニューラルネットワークアーキテクチャ(複数層、拡張、入力データの修正)の役割を分析する。 我々は,1次元横フィールドIsingモデルとHeisenbergモデルに対して,L=128までのシステムサイズに対するギャップフィールドとともにベンチマークを行い,その有効性を多種多様なモデルに適用した。

関連論文リスト

• Neural network quantum states in the grand canonical ensemble [0.4369550829556578]
  フォック空間における対称ボソニック波動関数を表現できる量子状態アーキテクチャを提案する。 提案手法は,実用大標準系におけるキー測定可能な量の数値予測への扉を開く。
  論文  参考訳（メタデータ） (2026-05-08T14:18:11Z)
• Grassmann Variational Monte Carlo with neural wave functions [45.935798913942904]
  ヒルベルト空間のグラスマン幾何学の観点から、Pfau et al.citepfau2024accurateによって導入された枠組みを定式化する。 正方格子上のハイゼンベルク量子スピンモデルに対する我々のアプローチを検証し、多くの励起状態に対して高精度なエネルギーと物理観測値を達成する。
  論文  参考訳（メタデータ） (2025-07-14T13:53:13Z)
• Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
  量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。 既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。 我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
  論文  参考訳（メタデータ） (2025-07-09T15:22:17Z)
• Learning topological states from randomized measurements using variational tensor network tomography [0.4818215922729967]
  量子状態の忠実な表現を学ぶことは、量子プロセッサ上で生成される多体状態の多様性を完全に特徴づけるのに不可欠である。 本研究では,テンソルネットワーク上の変分最適化とランダムな計測手法を組み合わせたトモグラフィー手法の実装と検討を行う。 我々は、実験により実現可能な量子スピン液体状態と同様に、表面符号の基底状態を学ぶ能力を示す。
  論文  参考訳（メタデータ） (2024-05-31T21:05:43Z)
• Enhanced Entanglement in the Measurement-Altered Quantum Ising Chain [43.80709028066351]
  局所的な量子測定は単に自由度を乱すのではなく、システム内の絡みを強める可能性がある。 本稿では,局所測定の有限密度が与えられた状態の絡み合い構造をどのように修正するかを考察する。
  論文  参考訳（メタデータ） (2023-10-04T09:51:00Z)
• 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)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Positive-definite parametrization of mixed quantum states with deep neural networks [0.0]
  本稿では,GHDOに自己回帰構造を埋め込んで,確率分布を直接サンプリングする方法を示す。 我々はこのアーキテクチャを、散逸的横フィールドイジングモデルの定常状態によってベンチマークする。
  論文  参考訳（メタデータ） (2022-06-27T17:51:38Z)
• Efficient quantum state tomography with convolutional neural networks [0.0]
  我々は,情報的に完全な測定結果に対する確率分布の近似に依存する量子状態トモグラフィー手法を開発した。 実験データから直接推定した場合と比較して,観測可能量の推定誤差を最大で1桁低減する。
  論文  参考訳（メタデータ） (2021-09-28T14:55:54Z)
• Bosonic field digitization for quantum computers [62.997667081978825]
  我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。 本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-24T15:30:04Z)

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。