論文の概要: When does dissipation help neural surrogates learn open quantum dynamics?

• arxiv url: http://arxiv.org/abs/2606.23894v1
• Date: Mon, 22 Jun 2026 19:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.646016
• Title: When does dissipation help neural surrogates learn open quantum dynamics?
• Title（参考訳）: 散逸は神経サロゲートがオープン量子力学を学ぶのにいつ役立つのか?
• Authors: Alauddin Ahmed,
• Abstract要約: 散逸は、オープン量子力学の学習可能性を高めることができることを示す。 しかし、忠実さだけでは、真の動的学習と定常的な自明さを区別するには不十分である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dissipation is usually viewed as an obstacle to predicting quantum dynamics, yet it can also contract trajectories toward steady states and thereby suppress accumulated prediction errors, leaving it unclear whether dissipation ultimately helps or hinders the learnability of open quantum dynamics. We investigate this question using Neural Ordinary Differential Equation (NODE) surrogates for open Heisenberg XYZ spin chains. Closed-system learnability deteriorates rapidly with system size, culminating in a static-prediction collapse at four qubits; dissipation reverses this trend, creating a broad high-fidelity regime at intermediate system sizes, while at four qubits a fidelity-aware objective recovers learnable rollout structure that is absent under closed-system training. Comparison against static and steady-state baselines reveals that dissipation improves performance through two fundamentally different mechanisms: at weak-to-moderate dissipation the surrogate captures nontrivial transient dynamics and substantially outperforms trivial predictors, whereas at stronger damping high fidelity increasingly reflects trajectory simplification toward the steady state rather than improved learned dynamics. These results show that dissipation can enhance the learnability of open quantum dynamics, but that fidelity alone is insufficient to distinguish genuine dynamical learning from steady-state trivialization: dissipative contraction and trajectory simplification are distinct effects that peak in different regimes and should be disentangled when evaluating learned quantum-dynamical surrogates.
• Abstract（参考訳）: 散逸は通常、量子力学の予測の障害と見なされるが、定常状態への軌道の収縮や累積予測誤差の抑制も可能であり、散逸が究極的にはオープン量子力学の学習性を妨げるか、妨げているかは明らかでない。 開ハイゼンベルクXYZスピン鎖に対するニューラル正規微分方程式(NODE)サロゲートを用いたこの問題について検討する。 クローズドシステム学習性は、システムサイズによって急速に低下し、4キュービットの静的予測崩壊に終止符が打たれ、この傾向が逆転し、中間システムサイズで広範囲に高忠実な体制が成立し、4キュービットでは、クローズドシステムトレーニングで欠落している学習可能なロールアウト構造が復元される。 安定状態ベースラインと静的状態ベースラインの比較では、散逸は2つの基本的な異なるメカニズムによって性能を改善することが示される: 弱変量散逸において、サロゲートは非自明な過渡的ダイナミクスを捕捉し、自明な予測子を実質的に上回る。 これらの結果は、散逸はオープン量子力学の学習可能性を高めることができるが、忠実さだけで真の動的学習と定常的自明化を区別できないことを示している。

関連論文リスト

• Gravitationally induced wave-function collapse from dynamical bifurcation [0.0]
  波動関数の崩壊は、重力的自己相互作用によって引き起こされ、短距離反発によって制御される決定論的動的不安定性として現れることを示す。 このメカニズムは、シュルディンガー-ニュートン型モデルを拡張し、重力によって引き起こされる病理学的局在を制御的かつ定量的に実現する。
  論文  参考訳（メタデータ） (2026-04-17T15:15:38Z)
• Random-Matrix-Induced Simplicity Bias in Over-parameterized Variational Quantum Circuits [72.0643009153473]
  本稿では,観測可能な期待値とパラメータ勾配の両方がシステムサイズに指数関数的に集中するHaar型普遍性クラスに,表現的変分アンサーゼが入ることを示す。 その結果、そのような回路によって誘導される仮説クラスは、近点関数の狭い族に高い確率で崩壊する。 テンソル-ネットワークベースおよびテンソル-ハイパーネットワークパラメータ化を含むテンソル構造VQCは、ハール型普遍性クラスの外にある。
  論文  参考訳（メタデータ） (2026-01-05T08:04:33Z)
• Identifiable learning of dissipative dynamics [25.409059056398124]
  I-OnsagerNetは、散逸ダイナミクスを直接トラジェクトリから学習するニューラルネットワークフレームワークである。 I-OnsagerNetはOnsagerの原理を拡張して、学習されたポテンシャルが定常密度から得られることを保証している。 このアプローチはエントロピーの生成を計算し、不可逆性を定量化し、平衡から逸脱を検出し定量化する原則的な方法を提供する。
  論文  参考訳（メタデータ） (2025-10-28T07:57:14Z)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Lifshitz-like Metastability and Optimal Dephasing in Dissipative Bosonic Lattices [0.0]
  弱いデファス化は平衡を促進するが、中程度から強いデファス化は緩和の緩やかさを顕著に引き起こす。 この結果から, 平衡を促進させるのではなく, 特定のモードを消散から動的に切り離す, 反直観的なメカニズムが明らかとなった。
  論文  参考訳（メタデータ） (2025-08-13T04:28:50Z)
• Noradrenergic-inspired gain modulation attenuates the stability gap in joint training [44.99833362998488]
  連続学習の研究は、安定性ギャップとして知られる新しいタスクを同化する際に、マスターされたタスクのパフォーマンスが過度に低下することを発見した。 タスク境界における迅速な適応と堅牢な保持のバランスの不均衡を反映していると我々は主張する。 結節性好中球を介するノルアドレナリン系バーストに着想を得て,不確実性変調ゲインダイナミクスを提案する。
  論文  参考訳（メタデータ） (2025-07-18T16:34:06Z)
• Dynamics with autoregressive neural quantum states: application to critical quench dynamics [41.94295877935867]
  本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。 二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
  論文  参考訳（メタデータ） (2022-09-07T15:50:00Z)
• Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
  量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。 本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。 本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
  論文  参考訳（メタデータ） (2022-02-15T19:00:09Z)
• Unpredictability and entanglement in open quantum systems [0.0]
  予測不可能性と量子絡み合いは,長期的限界においても共存可能であることを示す。 本研究では,セルオートマトン埋め込みに必要な多体相互作用を,変分量子シミュレータプラットフォーム内で効率的に実現できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T18:00:12Z)
• Exponentially accelerated approach to stationarity in Markovian open quantum systems through the Mpemba effect [0.0]
  マルコフ開量子系の緩和ダイナミクスは、最適なユニタリ変換を考案することによって指数関数的に加速できることを示す。 この初期の「回転」は、量子系の状態が最も遅く崩壊する動的モードになるように設計される。 我々は、ディックモデルにおける定常性への収束において指数的なスピードアップを達成する方法を示すことによって、我々の考えを説明する。
  論文  参考訳（メタデータ） (2021-03-08T19:02:31Z)
• Noisy Recurrent Neural Networks [45.94390701863504]
  入力データによって駆動される微分方程式の離散化として,隠れ状態に雑音を注入することによって訓練されたリカレントニューラルネットワーク(RNN)について検討する。 合理的な仮定の下では、この暗黙の正則化はより平坦なミニマムを促進し、より安定な力学を持つモデルに偏りを呈し、分類タスクではより大きな分類マージンを持つモデルを好む。 本理論は, 各種入力摂動に対するロバスト性の向上と, 最先端性能の維持を両立させる実証実験により支持された。
  論文  参考訳（メタデータ） (2021-02-09T15:20:50Z)

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。