論文の概要: Structure-Agnostic Unitary Learning from Quantum Observable Dynamics with Application to Hamiltonian Identification

• arxiv url: http://arxiv.org/abs/2607.15316v1
• Date: Thu, 16 Jul 2026 02:27:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.669211
• Title: Structure-Agnostic Unitary Learning from Quantum Observable Dynamics with Application to Hamiltonian Identification
• Title（参考訳）: 量子可観測ダイナミクスによる構造に依存しないユニタリ学習とハミルトニアン同定への応用
• Abstract要約: 時間観測可能な測定値から未知の量子ユニタリを提示する。 ハードウェア効率のパラメトリック回路は、ターゲットがexp(i-i*)になったときに進化演算子Uを学習する 4段階のモーメント効率のカリキュラムは、グローバルトレーニングマトリックスによる古典的な識別訓練に従っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a variational algorithm for learning an unknown quantum unitary from time-series observable measurements, with no structural assumption about the target. The core separation: a hardware-efficient parametrised circuit learns the evolution operator U via observable matching; Hamiltonian identification follows as classical post-processing via matrix logarithm, when the target happens to be exp(-iH*tau). Three experiments establish the method's generality. First, a noiseless proof of correctness with exact gradients (L-BFGS-B) achieves MSE 1.61e-14 and recovers all Hamiltonian coefficients to six decimal places. Second, a gate-learning experiment fits CNOT, iSWAP, and a Haar-random SU(4) element -- none generated by any fixed Hamiltonian -- all to process fidelity 1.000000, confirming the method does not rely on Trotterisation structure. Third, quantum deployment via SPSA-Adam under Qiskit Aer depolarising noise (p1=0.001, p2=0.01, Nshots=1024) recovers all three Ising Hamiltonian terms with errors below 8%. The optimiser, SPSA-Adam, combines SPSA's hardware-efficient two-point gradient estimation with Adam's adaptive moment updates. A four-stage moment-warm curriculum progressively extends the training horizon, converting a global non-convex problem into a sequence of well-posed local ones.
• Abstract（参考訳）: 時系列観測可能な観測値から未知の量子ユニタリを学習するための変分アルゴリズムを提案する。 コア分離:ハードウェア効率のパラメトリス回路は可観測マッチングにより進化演算子Uを学習する;ハミルトン同定は、ターゲットがexp(-iH*tau)となるとき、行列対数による古典的後処理として従う。 3つの実験がメソッドの一般性を確立する。 まず、正確な勾配(L-BFGS-B)を持つ雑音のない正しさの証明は、MSE 1.61e-14を達成し、すべてのハミルトン係数を6つの十進数に復元する。 第二に、ゲート学習実験はCNOT、iSWAP、Haar-random SU(4) 要素(固定ハミルトニアンが生成しない)に適合し、不確実性1.000000を処理し、この手法がトロッタライズ構造に依存しないことを確認した。 第3に、Qiskit Aer の偏極ノイズ (p1=0.001, p2=0.01, Nshots=1024) の下でのSPSA-Adamによる量子展開は、8%以下の誤差で3つのイジング・ハミルトン項を復元する。 このオプティマイザSPSA-Adamは、SPSAのハードウェア効率の良い2点勾配推定とAdamの適応モーメント更新を組み合わせたものである。 4段階のモーメントウォームカリキュラムは、訓練の地平線を段階的に拡張し、グローバルな非凸問題を、適切に配置された局所問題の列に変換する。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Convergence Theory for Iterative LLM-Based Neural Architecture Search: A Parametric Cross-Entropy Framework with Closed-Form Proxy Reliability [48.83701310501069]
  大規模言語モデル(LLM)は、反復型ニューラルアーキテクチャサーチ(NAS)におけるジェネレータとしてますます使われている。 我々は,LCM-NASを,実行可能プログラム上でのパラメトリッククロスエントロピー(CE)法としてモデル化する。 我々は,(1)エリートアーキテクチャの反復LEM微調整は,LLMファミリーに制限されたCE更新と同等であり,(2)期待されるアーキテクチャ品質はサイクル毎に単調に低下せず,(3)エリートセットの確率は幾何率で一定点に収束する,という6つの結果を示した。
  論文  参考訳（メタデータ） (2026-05-28T15:45:19Z)
• Forgetting That Sticks: Quantization-Permanent Unlearning via Circuit Attribution [3.6704226968275253]
  量子化を乗り越える手法はモデルにほとんど変化しないが, 圧縮条件下では, 有意義な忘れ方を実現するための勾配に基づく手法を示す。 因果回路の属性を組み合わせることで両モードを解消し,最小限の差分集合部分グラフを分離するMANSUを提案する。 さらに,構造的消去と行動抑制を区別する機構的検証尺度であるCircuit Attribution Divergence(CAD)を導入する。
  論文  参考訳（メタデータ） (2026-05-14T17:44:10Z)
• Accelerating Quantum Materials Characterization: Hybrid Active Learning for Autonomous Spin Wave Spectroscopy [0.0]
  自律三軸スピン波分光のためのハイブリッド-物理インフォームドフレームワークTAS-AIを提案する。 ブラインドリコンストラクションベンチマークでは、ランダムサンプリング、粗いグリッド、ガウス過程マッパーといったモデルに依存しない手法が、物理情報プランニングよりも信頼性が高く、測定の少ないグローバルエラーしきい値に達する。 TAS-AIは10測定未満で決定的なAIC由来のエビデンス比(>100)に達する一方、モーションアウェアのスケジューリングは固定された測定予算でウォールタイム時間を32%削減する。
  論文  参考訳（メタデータ） (2026-04-26T17:54:40Z)
• Reinforcement Learning for Parameterized Quantum State Preparation: A Comparative Study [2.4542351340244264]
  我々は、純離散ゲート選択からパラメータ化量子状態準備への強化学習により、指向性量子回路合成(DQCS)を拡張した。 ゲートタイプと影響を受けるキュービット(s)と回転角を協調的に選択する一段エージェントとを比較した。 本稿では,2から10キュービットのシステム上でのPPO(Proximal Policy Optimization)とAdvantage Actor--Critic(Advantage Actor--Critic)を評価する。
  論文  参考訳（メタデータ） (2026-02-18T15:10:43Z)
• Exploring fixed points and eigenstates of quantum systems with reinforcement learning [0.0]
  本稿では,与えられた量子演算の定点を特定するための強化学習アルゴリズムを提案する。 この方法は、計算基底を固定点の基底にマッピングするユニタリ変換を反復的に構成する。 演算がハミルトニアン進化に対応する場合、このタスクはハミルトニアン固有状態を決定することに還元される。
  論文  参考訳（メタデータ） (2025-11-21T18:48:46Z)
• Unsupervised Learning to Recognize Quantum Phases of Matter [39.146761527401424]
  この研究では教師なし学習を採用しており、アルゴリズムは事前にラベル付けされた状態にアクセスできない。 我々は,テンソルネットワーク技術によって決定された2つのスピン$frac12$チェーンを用いて,本手法をベンチマークした。 我々の研究結果は、教師なし学習が量子物質の新しい位相を自律的に認識し、また明らかにする方法を示している。
  論文  参考訳（メタデータ） (2025-10-16T14:45:54Z)
• Quantum Gate Generation in Two-Level Open Quantum Systems by Coherent and Incoherent Photons Found with Gradient Search [77.34726150561087]
  我々は、非コヒーレント光子によって形成される環境を、非コヒーレント制御によるオープン量子系制御の資源とみなす。 我々は、ハミルトニアンにおけるコヒーレント制御と、時間依存デコヒーレンス率を誘導する散逸器における非コヒーレント制御を利用する。
  論文  参考訳（メタデータ） (2023-02-28T07:36:02Z)
• Error-aware Quantization through Noise Tempering [43.049102196902844]
  量子化対応トレーニング(QAT)は、量子化エラーをシミュレートしながら、エンドタスクに関するモデルパラメータを最適化する。 本研究では,指数関数的に減衰する量子化・エラー認識ノイズと,学習可能なタスク損失勾配のスケールを組み込んで量子化演算子の効果を近似する。 本手法は, 従来の手法を0.5-1.2%絶対値で上回り, 均一な(非混合精度)量子化のための最先端トップ1分類精度を得る。
  論文  参考訳（メタデータ） (2022-12-11T20:37:50Z)
• Active Learning of Quantum System Hamiltonians yields Query Advantage [3.07869141026886]
  ハミルトン学習は量子システムの同定、校正、量子コンピュータの動作成功において重要な手順である。 ハミルトン学習の標準的な技術は、標準的な量子限界のため、クエリを慎重に設計し、学習エラーを$epsilon$を達成するために$O(epsilon-2)$クエリを必要とする。 本稿では,最初のトレーニング例と,量子システムを対話的にクエリして新しいトレーニングデータを生成する機能を備えたアクティブラーナーを紹介する。
  論文  参考訳（メタデータ） (2021-12-29T13:45:12Z)
• Algebraic Compression of Quantum Circuits for Hamiltonian Evolution [52.77024349608834]
  時間依存ハミルトニアンの下でのユニタリ進化は、量子ハードウェアにおけるシミュレーションの重要な構成要素である。 本稿では、トロッターステップを1ブロックの量子ゲートに圧縮するアルゴリズムを提案する。 この結果、ハミルトニアンのある種のクラスに対する固定深度時間進化がもたらされる。
  論文  参考訳（メタデータ） (2021-08-06T19:38:01Z)
• Binary Classification of Gaussian Mixtures: Abundance of Support Vectors, Benign Overfitting and Regularization [39.35822033674126]
  生成ガウス混合モデルに基づく二項線形分類について検討する。 後者の分類誤差に関する新しい非漸近境界を導出する。 この結果は, 確率が一定である雑音モデルに拡張される。
  論文  参考訳（メタデータ） (2020-11-18T07:59:55Z)

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。