論文の概要: Learning the structure of open quantum systems
- arxiv url: http://arxiv.org/abs/2606.30358v1
- Date: Mon, 29 Jun 2026 14:25:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.278909
- Title: Learning the structure of open quantum systems
- Title（参考訳）: オープン量子系の構造学習
- Abstract要約: 我々は,$O(g d2 log(n) / varepsilon2)$の全進化時間を用いて,$n$-qubit 定数局所リンドブレディアンから$varepsilon$エラーの係数を学習するアルゴリズムを設計する。
我々のアルゴリズムは、最先端のハミルトン学習アルゴリズムによって達成されたデシラタの組を達成する。
- 参考スコア（独自算出の注目度）: 1.8253425124589737
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We design an algorithm for learning the coefficients of an $n$-qubit constant-local Lindbladian to $\varepsilon$ error with $O(g d^2 \log(n) / \varepsilon^2)$ total evolution time, where $g$ is the single-site energy and $d$ is the (approximate) degree of the interaction graph. Though Lindbladians present new challenges not present in the special case of Hamiltonians, our algorithm achieves the suite of desiderata attained by state-of-the-art Hamiltonian learning algorithms: (1) it uses non-adaptive, ancilla-free randomized Pauli measurement circuits with a time resolution of only $Θ(1/g)$; (2) it works without knowledge of the structure of the unknown Lindbladian; (3) it depends on a smooth form of degree, thereby supporting the learning of quasi-local and power-law Lindbladians. Our algorithm is a simple iterative method, where the objective function consists of Fourier coefficients of the Lindbladian restricted to few-site regions. Its analysis identifies the difficulty unique to open systems, which we call "confusing" terms. For settings where the "confusion" is limited, the performance of the algorithm improves. We demonstrate this for the case of structure learning of Hamiltonians from access to real-time evolution, where we obtain a new algorithm that is significantly simpler than previous work. In addition, using the same iterative method, we design the first efficient algorithm for structure learning Hamiltonians from high-temperature Gibbs states.
- Abstract（参考訳）: 我々は、$n$-qubit 定数局所リンドブレディアンの係数を$\varepsilon$ error with $O(g d^2 \log(n) / \varepsilon^2)$ total evolution time, where $g$ is the single-site energy and $d$ is the degree of the interaction graph。
リンドブラディアン(Lindbladians)は、ハミルトニアンの特別な場合に存在しない新しい課題を提示するが、我々のアルゴリズムは、最先端のハミルトン学習アルゴリズムによって得られるデシラタの組を達成している: 1) 時間分解がわずか1/gの非適応でアンシラのないランダム化パウリの測定回路を使用し、(2) 未知のリンドブラディアンの構造を知らずに機能し、(3) 滑らかな次数形式に依存し、準局所的およびパワーローなリンドブラディアン(Lindbladians)の学習を支援する。
我々のアルゴリズムは単純な反復法であり、目的関数はリンドブラディアンのフーリエ係数から成り、少数の領域に制限される。
その分析は、オープンなシステムに特有の難しさを特定します。
コンフュージョン」が限定された設定では、アルゴリズムの性能が向上する。
本研究では,ハミルトン群がリアルタイムに進化する過程から構造学習を行う場合において,従来よりもはるかに単純な新しいアルゴリズムを提案する。
さらに、同じ反復法を用いて、高温ギブス状態からハミルトニアンの構造学習のための最初の効率的なアルゴリズムを設計する。
関連論文リスト
- Learning Arbitrary Lindbladians from Time Evolution [9.103975636688793]
本研究では,未知のマルコフ開系生成器を物理的時間進化から学習する問題について検討する。
この生成元はリンドブラディアン (Lindbladian) と呼ばれ、指数関数的に大きなパウリ項の族によってインデックスされたハミルトンおよび散逸係数を含む。
最小の仮定の下で時間進化から任意のリンドブラディアンを学習する効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-07-30T17:58:01Z) - Near-Optimal Learning of Local Lindbladians [8.542629891640045]
局所リンドブラディアンをブラックボックスアクセスから物理的進化まで学習する問題について検討する。
有限時間チャネルプローブから直接構築したアルゴリズムで、未知の進化を短時間で行う。
提案アルゴリズムは,物理力学アクセスと全進化時間の両方において,学習アルゴリズムがほぼ最適であることを示す。
論文 参考訳（メタデータ） (2026-06-18T17:48:31Z) - Can Neural Networks Achieve Optimal Computational-statistical Tradeoff? An Analysis on Single-Index Model [53.6316818897326]
本稿では,2層ニューラルネットワークを時間内にトレーニングするための勾配に基づくアルゴリズムを提案する。
このアルゴリズムは未知の信号$star$と強く一致したスパース表現を学習することを示す。
私たちは、$star$が$k$-sparse for $k = o(sqrtd)$という設定にアプローチを拡張します。
論文 参考訳（メタデータ） (2026-06-13T09:34:39Z) - Ancilla-Free Fast-Forwarding Lindbladian Simulation Algorithms by Hamiltonian Twirling [2.8802622551493773]
時間=t$進化写像は、ユニタリ軌道上のガウスのツワールを正確に表すことができる。
この構造的洞察により、リンドブラディアンシミュレーションのための高速フォワードアルゴリズムを設計できる。
論文 参考訳（メタデータ） (2025-11-13T12:39:18Z) - Qubit-Efficient Quantum Algorithm for Linear Differential Equations [0.6410191755165466]
本稿では,線形常微分方程式(ODE)を証明可能な実行保証で解くための量子アルゴリズムを提案する。
我々のアルゴリズムは1つのアシラ量子ビットしか使用せず、例えばODEの係数行列が$k$-localであるとき、局所性保存である。
また,提案アルゴリズムとリンドブラディアンシミュレーションの関連性,および相互作用するハタノ・ネルソンモデルへの応用について考察する。
論文 参考訳（メタデータ） (2025-07-22T20:08:34Z) - Predicting Ground State Properties: Constant Sample Complexity and Deep Learning Algorithms [48.869199703062606]
量子多体物理学における基本的な問題は、局所ハミルトニアンの基底状態を見つけることである。
基底状態特性を学習するためのシステムサイズ$n$とは無関係に,一定のサンプル複雑性を実現する2つのアプローチを導入する。
論文 参考訳（メタデータ） (2024-05-28T18:00:32Z) - Quantum Simulation of the First-Quantized Pauli-Fierz Hamiltonian [0.5097809301149342]
我々は、我々の分割と形式主義の征服を通じて、大きな$Lambda$の量子化よりも優れたスケーリングと量子化を得られることを示す。
また,マルチコントロールされたXゲート群を実装する新しい方法を含む,ゲート最適化のための新しいアルゴリズムおよび回路レベル技術も提供する。
論文 参考訳（メタデータ） (2023-06-19T23:20:30Z) - Differentially-Private Hierarchical Clustering with Provable
Approximation Guarantees [79.59010418610625]
階層クラスタリングのための微分プライベート近似アルゴリズムについて検討する。
例えば、$epsilon$-DPアルゴリズムは入力データセットに対して$O(|V|2/epsilon)$-additiveエラーを示さなければならない。
本稿では,ブロックを正確に復元する1+o(1)$近似アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-01-31T19:14:30Z) - Private estimation algorithms for stochastic block models and mixture
models [63.07482515700984]
効率的なプライベート推定アルゴリズムを設計するための一般的なツール。
最初の効率的な$(epsilon, delta)$-differentially private algorithm for both weak recovery and exact recovery。
論文 参考訳（メタデータ） (2023-01-11T09:12:28Z) - Quantum Resources Required to Block-Encode a Matrix of Classical Data [56.508135743727934]
回路レベルの実装とリソース推定を行い、古典データの高密度な$Ntimes N$行列をブロックエンコードして$epsilon$を精度良くすることができる。
異なるアプローチ間のリソーストレードオフを調査し、量子ランダムアクセスメモリ(QRAM)の2つの異なるモデルの実装を検討する。
我々の結果は、単純なクエリの複雑さを超えて、大量の古典的データが量子アルゴリズムにアクセスできると仮定された場合のリソースコストの明確な図を提供する。
論文 参考訳（メタデータ） (2022-06-07T18:00:01Z) - Lagrangian Decomposition for Neural Network Verification [148.0448557991349]
ニューラルネットワーク検証の基本的なコンポーネントは、出力が取ることのできる値のバウンダリの計算である。
ラグランジアン分解に基づく新しい手法を提案する。
ランニングタイムのごく一部で、既成の解法に匹敵するバウンダリが得られることを示す。
論文 参考訳（メタデータ） (2020-02-24T17:55:10Z)
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。