論文の概要: Learning Low-Energy Subspace Overlaps in Many-Body Systems with Measurement-Based and Coherent Quantum Strategies

• arxiv url: http://arxiv.org/abs/2607.00235v1
• Date: Tue, 30 Jun 2026 22:25:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.655173
• Title: Learning Low-Energy Subspace Overlaps in Many-Body Systems with Measurement-Based and Coherent Quantum Strategies
• Title（参考訳）: 測定ベースおよびコヒーレント量子戦略を用いた多体系における低エネルギー部分空間オーバーラップの学習
• Abstract要約: 量子状態と特定の低エネルギー部分空間との重なりを予測することは、量子多体力学の鍵となる診断である。 本研究では, 時間発展状態と10量子Heisenbergスピン鎖のK次元低エネルギー固有空間の間の部分空間重なりの教師付き予測について検討した。 従来のシャドウ特徴を畳み込みニューラルネットワークで処理する計測ベース学習と、量子畳み込みニューラルネットワークが直接状態を処理するコヒーレント量子学習という2つの量子情報抽出戦略を比較した。
• 参考スコア（独自算出の注目度）: 5.138744485567998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the overlap of quantum states with specified low-energy subspaces is a key diagnostic for quantum many-body dynamics, with direct applications in state preparation, subspace-based algorithms, and the study of thermalization. We study the supervised prediction of subspace overlaps O_K between time-evolved states and K-dimensional low-energy eigenspaces of a 10-qubit Heisenberg spin chain following a local perturbation. We compare two quantum information extraction strategies: measurement-based learning, in which classical shadow features are processed by convolutional neural networks, and coherent quantum learning, in which quantum convolutional neural networks process the state directly. We further introduce physics-informed variants for both approaches, including Hamiltonian-aware shadows and QCNN gates aligned with the Heisenberg exchange structure. Across five dataset configurations spanning weak, moderate, and strong quench regimes, physics-informed QCNNs achieve stable performance, with mean test-set coefficients of determination R^2 = 0.753-0.846. Shadow-based methods show stronger regime dependence: they outperform QCNNs in the moderate-quench regime, reaching R^2 = 0.886, but underperform in weak and strong quenches at default shot budgets, where the best shadow results are R^2 = 0.615 and 0.672, respectively. Hardware validation on Quantinuum and IBM noise models shows that arbitrary state preparation is the dominant limitation, requiring approximately 2,044 two-qubit gates and causing near-complete depolarization before inference. These results identify a regime-dependent tradeoff between measurement-based and coherent quantum learning, with shadow methods excelling when the target remains locally accessible and physics-informed QCNNs providing more robust performance across dynamical regimes.
• Abstract（参考訳）: 特定の低エネルギー部分空間と量子状態の重なりを予測することは、量子多体力学の鍵となる診断であり、状態準備、部分空間ベースのアルゴリズム、熱化の研究に直接的な応用がある。 局所摂動に伴う10ビットハイゼンベルクスピン鎖の時間進化状態とK次元低エネルギー固有空間の間の部分空間重なりの教師付き予測について検討した。 従来のシャドウ特徴を畳み込みニューラルネットワークで処理する計測ベース学習と、量子畳み込みニューラルネットワークが直接処理するコヒーレント量子学習の2つの量子情報抽出戦略を比較した。 さらに、ハミルトニアン対応影やハイゼンベルク交換構造に整合したQCNNゲートなど、両方のアプローチに対する物理情報付き変種を導入する。 弱い, 適度な, 強いクエンチ状態にまたがる5つのデータセット構成において, 物理インフォームドQCNNは, R^2 = 0.753-0.846の平均テストセット係数で安定した性能を達成する。 R^2 = 0.886に達するが、デフォルトのショット予算では弱いクエンチと強いクエンチでは、それぞれR^2 = 0.615 と 0.672 である。 QuantinuumとIBMのノイズモデルのハードウェア検証は、任意の状態準備が支配的な制限であり、およそ2,044個の2ビットゲートが必要であり、推論前にほぼ完全に非分極することを示している。 これらの結果は、測定ベースとコヒーレント量子学習の間の状態依存的なトレードオフを識別し、ターゲットが局所的にアクセス可能であり続けるときのシャドー手法と、物理インフォームドQCNNにより、動的レジーム間のより堅牢なパフォーマンスを提供する。

関連論文リスト

• Performance and Stability of Quantum Krylov Diagonalization for the Hubbard Model [0.0]
  量子クリロフ対角化(Quantum Krylov diagonalization, QKD)は、多体系の基底状態特性を推定するための有望なハイブリッド量子古典的アプローチとして登場した。 周期境界条件を持つ一次元ハバードモデルにおけるQKDの収束,安定性,ハードウェア性能について検討する。
  論文  参考訳（メタデータ） (2026-07-26T11:14:35Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• 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)
• Reinforcement Learning for Quantum Network Control with Application-Driven Objectives [53.03367590211247]
  動的プログラミングと強化学習は、制御戦略を最適化するための有望なツールを提供する。 非線形で微分可能な目的関数を直接最適化する新しいRLフレームワークを提案する。 我々の研究は、RLを持つ量子ネットワークにおける非線形目的関数最適化への第一歩であり、より高度なユースケースへの道を開く。
  論文  参考訳（メタデータ） (2025-09-12T18:41:10Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• Measurement-based quantum convolutional neural network for deep learning [7.689125776844024]
  本稿では,クラスタ状態を利用して量子畳み込みニューラルネットワーク(QCNN)を実装するための代替手法を提案する。 システム全体の安定化は、複雑な制御を避けることで容易である。 クラスター状態を測定することによって量子データと古典データの両方を学習できるという数値的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-12-11T08:55:07Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Statistical Analysis of Quantum State Learning Process in Quantum Neural Networks [4.852613028421959]
  量子ニューラルネットワーク(QNN)は、短期的な量子優位を追求する上で有望なフレームワークである。 高忠実な初期状態から始まるQNNを用いて未知の量子状態を学ぶためのノーゴー定理を開発する。
  論文  参考訳（メタデータ） (2023-09-26T14:54:50Z)
• Scalable Imaginary Time Evolution with Neural Network Quantum States [0.0]
  ニューラルネットワーク量子状態(NQS)としての量子波関数の表現は、多体量子系の基底状態を見つけるための強力な変分アンサッツを提供する。 我々は、計量テンソルの計算をバイパスするアプローチを導入し、代わりにユークリッド計量を用いた一階降下にのみ依存する。 我々は,NQSのエネルギーが減少するまで最適な時間ステップを決定し,目標を固定し,適応的に安定させる。
  論文  参考訳（メタデータ） (2023-07-28T12:26:43Z)
• Improved iterative quantum algorithm for ground-state preparation [4.921552273745794]
  ハミルトン系の基底状態を作成するために,改良された反復量子アルゴリズムを提案する。 提案手法には,各イテレーションにおける成功確率の向上,測定精度に依存しないサンプリングの複雑さ,ゲートの複雑さの低減,およびアシラリー状態が十分に準備された場合の量子資源のみを必要とするという利点がある。
  論文  参考訳（メタデータ） (2022-10-16T05:57:43Z)
• Optimal quantum control via genetic algorithms for quantum state engineering in driven-resonator mediated networks [68.8204255655161]
  進化的アルゴリズムに基づく量子状態工学には、機械学習によるアプローチを採用しています。 我々は、単一のモード駆動マイクロ波共振器を介して相互作用する、量子ビットのネットワーク(直接結合のない人工原子の状態に符号化された)を考える。 アルゴリズムは理想的なノイズフリー設定で訓練されているにもかかわらず、高い量子忠実度とノイズに対するレジリエンスを観測する。
  論文  参考訳（メタデータ） (2022-06-29T14:34:00Z)
• Quantum Davidson Algorithm for Excited States [42.666709382892265]
  基底状態と励起状態の両方に対処するために量子クリロフ部分空間(QKS)法を導入する。 固有状態の残余を使ってクリロフ部分空間を拡大し、コンパクトな部分空間を定式化し、正確な解と密接に一致させる。 量子シミュレータを用いて、様々なシステムの励起状態特性を探索するために、新しいQDavidsonアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2022-04-22T15:03:03Z)
• Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation [5.668795025564699]
  オープン量子システムのダイナミクスに対処するためのアプローチを提案する。 自己回帰変換ニューラルネットワークを用いて量子状態をコンパクトに表現する。 効率的なアルゴリズムは、リウヴィリア超作用素の力学をシミュレートするために開発された。
  論文  参考訳（メタデータ） (2020-09-11T18:00:00Z)

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。