論文の概要: Learning ground state observables from quantum computing experiments
- arxiv url: http://arxiv.org/abs/2606.15983v1
- Date: Sun, 14 Jun 2026 19:16:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.975522
- Title: Learning ground state observables from quantum computing experiments
- Title（参考訳）: 量子コンピューティング実験による基底状態観測器の学習
- Abstract要約: 本研究では,2次元ハイゼンベルクXXZモデルの基底状態から生成した実験量子データから,最大115量子ビットまでのシステムサイズを学習する。
ニューラルネットワークは、以前は目に見えないハミルトンのパラメータに対して、空間的に解決された可観測物を正確に予測できることを示す。
- 参考スコア（独自算出の注目度）: 0.6413940438060125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent theoretical progress has established conditions under which machine learning models can efficiently predict ground-state properties of gapped local Hamiltonians when trained on quantum-generated data. Previous experimental demonstrations in this paradigm, however, have largely been limited to small systems or highly structured states, due to the difficulty of preparing many-body ground states on quantum processors. In this work, we demonstrate learning from experimental quantum data generated from approximate ground states of the two-dimensional Heisenberg XXZ model with system sizes up to 115 qubits. We construct a dataset of single-site expectation values, two-point correlations, and 12-body loop correlations across the antiferromagnetic phase. We then train neural networks on this data and show that they can accurately predict spatially resolved observables for previously unseen Hamiltonian parameters, both within the training distribution and in an out-of-distribution regime approaching the phase boundary. Our results demonstrate the practical realization of learning from quantum data for an interacting two-dimensional many-body system at scale, motivating a path toward regimes where quantum processors could provide training data beyond the reach of classical approximation methods.
- Abstract（参考訳）: 最近の理論的進歩は、機械学習モデルが量子生成データに基づいて訓練された際、ギャップ付き局所ハミルトンの基底状態特性を効率的に予測できる条件を確立している。
しかし、このパラダイムの以前の実験的実証は、量子プロセッサ上で多くのボディ基底状態を作成するのが困難であるため、主に小さなシステムや高度に構造化された状態に限られていた。
本研究では,2次元ハイゼンベルクXXZモデルの基底状態から生成した実験量子データから,最大115キュービットまでのシステムサイズでの学習を実演する。
反強磁性相における単点予測値,2点相関,12体ループ相関のデータセットを構築した。
次に、このデータに基づいてニューラルネットワークをトレーニングし、トレーニング分布内と位相境界に近づいた分布外状態の両方において、これまで見えないハミルトンパラメータに対して、空間的に解決された可観測物を正確に予測できることを示します。
本研究は,量子プロセッサが古典的近似法の範囲を超えてトレーニングデータを提供可能なレジームへ向けた,対話型2次元多体システムのための量子データからの学習の実践的実現を実証するものである。
関連論文リスト
- Learning Minimal Representations of Many-Body Physics from Snapshots of a Quantum Simulator [0.08796261172196741]
本研究では,変動型オートエンコーダ(VAE)に基づく機械学習手法を開発し,ボースガスの干渉測定を解析する。
非平衡なプロトコルを適用すると、潜伏空間は急激な冷却後に凍結したソリトンの符号を明らかにする。
その結果、生成モデルはノイズやスパースな実験データから直接物理的に解釈可能な変数を抽出できることを示した。
論文 参考訳（メタデータ） (2025-09-17T08:38:46Z) - Quantum network tomography of Rydberg arrays by machine learning [0.0]
ライドバーグ原子は、量子計算と量子シミュレーションのための汎用的なプラットフォームであり、制御可能なデコヒーレンスを可能にする。
理論的には、人工ニューラルネットワークを用いた機械学習により、オープン量子力学のモデルを構築するためのテクニックの実証実証も可能であることを実証する。
論文 参考訳（メタデータ） (2024-12-07T20:41:34Z) - ShadowGPT: Learning to Solve Quantum Many-Body Problems from Randomized Measurements [2.1946359779523332]
本稿では,量子実験から収集したランダム化測定データから学習することで,量子多体問題を解く新しい手法であるShadowGPTを提案する。
このモデルは量子ハミルトニアンの基底状態のシミュレーションされた古典的影データに基づいて訓練された生成前訓練変圧器(GPT)である。
論文 参考訳（メタデータ） (2024-11-05T17:34:03Z) - 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) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - Predicting Properties of Quantum Systems with Conditional Generative
Models [4.710629384265492]
生成モデルは、単一の量子状態の測定から学習し、局所的な観測可能な状態を予測するのに十分な精度で状態を再構築することができる。
分類と回帰モデルは、異なるが関連する状態の測定から学習することで、局所的な可観測物を予測することができる。
最大45キュービットのシミュレーションを用いて、2次元ランダムハイゼンベルクモデルに対する我々のアプローチを数値的に検証する。
論文 参考訳（メタデータ） (2022-11-30T12:34:57Z) - 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) - Deep learning of spatial densities in inhomogeneous correlated quantum
systems [0.0]
ランダムポテンシャルに基づいてトレーニングされた畳み込みニューラルネットワークを用いて,密度の予測が可能であることを示す。
我々は,不均一な状況下での干渉と相互作用の相互作用と相転移を伴うモデルの挙動をうまく扱えることを示す。
論文 参考訳（メタデータ） (2022-11-16T17:10:07Z) - 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) - Probing finite-temperature observables in quantum simulators of spin
systems with short-time dynamics [62.997667081978825]
ジャジンスキー等式から動機付けられたアルゴリズムを用いて, 有限温度可観測体がどのように得られるかを示す。
長範囲の逆場イジングモデルにおける有限温度相転移は、捕捉されたイオン量子シミュレータで特徴づけられることを示す。
論文 参考訳（メタデータ） (2022-06-03T18:00:02Z) - Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。
本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。
実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文 参考訳（メタデータ） (2020-07-31T17:25:12Z)
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。