論文の概要: Optimal Ansatz-free Hamiltonian Learning In Situ
- arxiv url: http://arxiv.org/abs/2606.19486v1
- Date: Wed, 17 Jun 2026 18:21:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.480232
- Title: Optimal Ansatz-free Hamiltonian Learning In Situ
- Title（参考訳）: Situにおける最適アンザッツフリーハミルトニアン学習
- Authors: Taiqi Zhou, Weiyuan Gong,
- Abstract要約: アルゴリズムがアンザッツフリーのハミルトニアン$H$を総進化時間$(frac2log(frac))$で学習できることが示される。
本研究は,実験的なハミルトニアン学習の基礎的コストを実証し,短期量子プラットフォームを厳密に評価するための実践的経路を提供するものである。
- 参考スコア（独自算出の注目度）: 3.3230675313521716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Characterizing the features of a Hamiltonian that governs a quantum system serves as a fundamental subroutine of quantum device calibration, signal sensing, and error correction. Recent works proposed protocols have achieved the optimal Heisenberg-limited scaling learning ansatz-free Hamiltonians from their real-time evolutions without fully specifying interaction structures. However, these protocols rely on both deep circuits with interleaving probes and control, and extremely short time resolution, making them difficult to implement on near- and intermediate-term in situ quantum experiments. In this work, we propose a computationally efficient, control-free, and ancilla-free algorithm that uses only Pauli product state preparation and measurement, and learns an ansatz-free Hamiltonian $H$ with $||H||\leqΛ$ in total evolution time of $Θ(\fracΛ{ε^2}\log(\fracΛε))$. The evolution time cost of our algorithm is optimal for any control-free protocols as we further prove a lower bound of $Ω(\fracΛ{ε^2}\log(\fracΛε))$. Technically, our method introduces a randomized-sampling framework that combines band-limited kernel-based time sampling with a displacement sieve for Hamiltonian structure learning. The characteristic probe time resolution depends only on $Λ$ instead of $\varepsilon$, which makes our protocol especially appealing in the high-precision regime for sensing and calibration applications. We also show that the algorithm maintains the same asymptotic total evolution time in the presence of state-preparation-and-measurement (SPAM) noise when the Hamiltonian is local after calibration. Our results demonstrate the fundamental cost of experimentally friendly Hamiltonian learning and provide a practical route to rigorous in situ characterization of near-term quantum platforms.
- Abstract（参考訳）: 量子システムを管理するハミルトニアンの特徴を特徴づけることは、量子デバイスキャリブレーション、信号センシング、エラー訂正の基本的なサブルーチンとして機能する。
近年提案されたプロトコルは、相互作用構造を完全に特定することなく、リアルタイム進化から最適なハイゼンベルク限定のスケーリング学習用アンザッツフリーハミルトニアンを達成している。
しかしながら、これらのプロトコルは、インターリービングプローブと制御を備えた深部回路と非常に短い時間分解能の両方に依存しており、近時および中間時量子実験では実装が困難である。
本研究では, 計算効率が高く, 制御自由で, アンシラフリーなアルゴリズムを提案する。このアルゴリズムは, パウリの製品状態準備と測定のみを用いて, アンサッツフリーのハミルトン式$H$と$|H||\leq>$を, 総進化時間$\(\frac ){ε^2}\log(\frac ε)$で学習する。
アルゴリズムの進化時間コストは任意の制御自由なプロトコルに対して最適であり、さらに$Ω(\frac {ε^2}\log(\frac ε))$の低い境界を証明できる。
技術的には、バンド制限されたカーネルベースの時間サンプリングとハミルトン構造学習のための変位シーブを組み合わせたランダムサンプリングフレームワークを導入する。
特性プローブ時間分解能は$\varepsilon$ではなく$$$にのみ依存する。
また, キャリブレーション後のハミルトニアンが局所的である場合のSPAMノイズの存在下では, アルゴリズムは同じ漸近的全進化時間を維持していることを示す。
本研究は,実験的なハミルトニアン学習の基礎的コストを実証し,短期量子プラットフォームを厳密に評価するための実践的経路を提供するものである。
関連論文リスト
- Adiabatic Quantum Phase Estimation [47.3103723337301]
量子位相推定(QPE)は、ハミルトニアンの固有値をハイゼンベルク制限時間$T= (1/)$の精度で推定する中心的アルゴリズムプリミティブである。
QPEの標準ゲートベースの実装は、深く制御された時間進化回路を必要とし、アナログハードウェアに固有のものではない。
最適ハイゼンベルク制限スケーリング$T = Oleft( frac1 logleft(-1right)right)$を両精度で達成するQPEのための単純な断熱プロトコルを提案する。
論文 参考訳（メタデータ） (2026-05-21T17:31:36Z) - Autonomous Hamiltonian certification and changepoint detection [1.2021700665093262]
環境騒音は調整されたハミルトンパラメーターを時間とともに漂流させ、高価な再校正を必要とする。
我々は,自律環境下でのハミルトン認証と変更点検出プロトコルを効率的に開発する。
我々のアプローチは、量子デバイスがシステムや検証操作、信頼できる参照装置を必要とせずに、自身のキャリブレーション状態を自律的に監視することを可能にする。
論文 参考訳（メタデータ） (2026-03-27T17:54:45Z) - Estimating ground-state properties in quantum simulators with global control [35.3616472951301]
量子多体系の基底状態の正確な決定は、量子シミュレーションの大きな課題の1つである。
ターゲットハミルトンの下でのグローバルな時間進化のみを用いて基底状態エネルギーを推定するためのプロトコルを提案する。
論文 参考訳（メタデータ） (2025-11-06T15:08:00Z) - Enhanced Hamiltonian Learning Precision with Multi-Stage Neural Networks [10.285214278728528]
ハミルトン学習精度を向上させる多段階ニューラルネットワークフレームワークを提案する。
提案手法は,ランダム初期状態の単一キュービットパウリ測定から時系列データを利用する。
パラメータの精度を最大化することで、2量子システム上でのフレームワークを実証する。
論文 参考訳（メタデータ） (2025-03-10T14:10:59Z) - Phase estimation with partially randomized time evolution [36.989845156791525]
量子位相推定とハミルトンシミュレーションを組み合わせることは、量子コンピュータ上で基底状態エネルギーを計算するための最も有望なアルゴリズムフレームワークである。
本稿では,ハミルトンシミュレーションの標準手法の一つである積公式の高速化にランダム化を用いる。
量子化学におけるベンチマークシステムに対する部分ランダム化積公式を用いて,単一アンシラ位相推定のための詳細な資源推定を行う。
論文 参考訳（メタデータ） (2025-03-07T18:09:32Z) - Hamiltonian Learning at Heisenberg Limit for Hybrid Quantum Systems [0.7499722271664147]
異なる粒子種を持つハイブリッド量子系は、量子材料と量子情報科学の基本である。
我々は、未知のスピンボソン型ハミルトニアンにアクセスすると、アルゴリズムがハイゼンベルク制限推定を達成するという厳密な理論的枠組みを確立する。
この結果は、ハイブリッド量子プラットフォームにおける高精度ハミルトン特性評価のためのスケーラブルでロバストなフレームワークを提供する。
論文 参考訳（メタデータ） (2025-02-27T18:47:47Z) - Optimizing random local Hamiltonians by dissipation [44.99833362998488]
簡単な量子ギブスサンプリングアルゴリズムが最適値の$Omega(frac1k)$-fraction近似を達成することを証明した。
この結果から, 局所スピンおよびフェルミオンモデルに対する低エネルギー状態の発見は量子的に容易であるが, 古典的には非自明であることが示唆された。
論文 参考訳（メタデータ） (2024-11-04T20:21:16Z) - Measuring the Loschmidt amplitude for finite-energy properties of the
Fermi-Hubbard model on an ion-trap quantum computer [27.84599956781646]
本稿では,現在の量子コンピュータ上での量子古典的時系列アルゴリズムの動作について検討する。
具体的には,Fermi-Hubbardモデルに対するLoschmidt振幅をQuantinuum H2-1トラップイオンデバイス上の16$site ladder geometry(32軌道)で測定する。
有限エネルギーにおける局所観測可能量の期待値を測定することにより、量子古典アルゴリズムの完全動作に対する雑音の影響を数値解析する。
論文 参考訳（メタデータ） (2023-09-19T11:59:36Z) - Practical Black Box Hamiltonian Learning [0.9281671380673306]
本稿では,量子多体系のハミルトニアンパラメータの学習問題について考察する。
我々は、微分推定によるハミルトン学習への最近のアプローチに基づいて構築する。
論文 参考訳（メタデータ） (2022-06-30T17:56:14Z) - Fast and differentiable simulation of driven quantum systems [58.720142291102135]
我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。
回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
論文 参考訳（メタデータ） (2020-12-16T21:43:38Z)
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。