論文の概要: Autoregressive Projective Quantum Monte Carlo: From a Hermitian to a Non-Hermitian Perspective
- arxiv url: http://arxiv.org/abs/2608.09496v1
- Date: Mon, 10 Aug 2026 12:02:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.249455
- Title: Autoregressive Projective Quantum Monte Carlo: From a Hermitian to a Non-Hermitian Perspective
- Title（参考訳）: 自己回帰射影型モンテカルロ:エルミートから非エルミート的視点へ
- Abstract要約: 我々は、リカレントニューラルネットワーク(NNR)を利用した自己回帰量子モンテカルロ(PQMC)フレームワークを導入し、ダイナミクスを導出する。
計算コストを抑えながら、標準の無誘導PQMCに比べて精度が大幅に向上した。
この結果から, 複雑な量子多体系における低エネルギー状態の有望なスケーラブルなシミュレーションを実現するために, ニューラルネットワークを用いたPQMC手法の汎用性とパワーを強調した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately determining the ground-state properties of quantum many-body systems remains a central challenge. In this work, we introduce an autoregressive projective quantum Monte Carlo (PQMC) framework that leverages recurrent neural networks (RNNs) to guide the stochastic dynamics. By incorporating autoregressive sampling into PQMC, we demonstrate substantial improvements in accuracy compared to standard unguided PQMC, while retaining polynomial computational cost. We benchmark our approach against conventional variational RNN ansätze and find that the autoregressive PQMC consistently achieves lower energies and higher fidelity, regardless of system size or whether the Hamiltonian is Hermitian or non-Hermitian. Our results highlight the versatility and power of neural-guided PQMC methods, paving the way for promising scalable simulations of low-energy states in complex quantum many-body systems.
- Abstract（参考訳）: 量子多体系の基底状態の正確な決定は、依然として中心的な課題である。
本研究では,リカレントニューラルネットワーク(RNN)を利用して確率力学を導出する自己回帰射影量子モンテカルロ(PQMC)フレームワークを提案する。
自動回帰サンプリングをPQMCに組み込むことにより,多項式計算コストを抑えながら,通常のPQMCに比べて精度が大幅に向上したことを示す。
我々は従来の変分RNNアンセッツェに対する我々のアプローチをベンチマークし、自己回帰的PQMCは系のサイズにかかわらず、あるいはハミルトニアンがエルミート的か非エルミート的かを問わない、より低いエネルギーと高い忠実性を達成することを発見した。
この結果から, 複雑な量子多体系における低エネルギー状態の有望なスケーラブルなシミュレーションを実現するために, ニューラルネットワークを用いたPQMC手法の汎用性とパワーを強調した。
関連論文リスト
- A unified quantum computing quantum Monte Carlo framework through structured state preparation [0.0]
量子コンピューティング 量子モンテカルロ (QCQMC) を基底状態エネルギー推定を超えて拡張する。
QCQMCは変分高速フォワードと変分単元行列演算子(VUMPO)を介して励起状態スペクトルに対処可能であることを示す。
分子、凝縮マター、核構造、グラフ最適化問題に関するベンチマークでは、QMC拡散のステップが基礎となる状態準備法のエネルギー精度を一貫して改善することを明らかにしている。
論文 参考訳（メタデータ） (2026-03-26T15:59:54Z) - Simulating non-Markovian open quantum dynamics by exploiting physics-informed neural network [10.049898018843265]
この研究は、物理インフォームドニューラルネットワーク(PINN)アプローチを、オープン量子システムのダイナミクスをシミュレートするニューラルネットワーク状態フレームワークに統合する。
提案したPINN-DQME法は、時間領域分解戦略における時間符号化ニューラルネットワークを用いて、ディシパトン埋め込み量子マスター方程式(DQME)によって支配される進化を表現する。
PINN-DQME法は、非マルコフ効果が弱い高温での量子散逸ダイナミクスのシミュレーションにおいて高い精度を示す。
論文 参考訳（メタデータ） (2026-03-09T08:21:59Z) - QiNN-QJ: A Quantum-inspired Neural Network with Quantum Jump for Multimodal Sentiment Analysis [11.46663985298648]
マルチモーダルエンタングルメントモデリングのための量子ジャンプ(QiNN-QJ)を用いた量子インスピレーションニューラルネットワークを提案する。
ハミルトン作用素とリンドブラッド作用素を併用することにより、QiNN-QJは制御可能なクロスモーダル絡みを生成する。
この研究は、絡み合ったマルチモーダル核融合の原理的な枠組みを確立し、複雑な相互モーダル相関をモデル化する量子インスパイアされたアプローチの道を開く。
論文 参考訳（メタデータ） (2025-10-31T01:25:55Z) - 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) - TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。
これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。
既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。
我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
論文 参考訳（メタデータ） (2025-07-09T15:22:17Z) - 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) - Wasserstein Quantum Monte Carlo: A Novel Approach for Solving the
Quantum Many-Body Schr\"odinger Equation [56.9919517199927]
ワーッセルシュタイン量子モンテカルロ (WQMC) はフィッシャー・ラオ計量ではなくワーッセルシュタイン計量によって誘導される勾配流を用いており、テレポートではなく確率質量の輸送に対応する。
我々は、WQMCの力学が分子系の基底状態へのより高速な収束をもたらすことを実証的に実証した。
論文 参考訳（メタデータ） (2023-07-06T17:54:08Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - 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) - Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。
ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。
本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文 参考訳（メタデータ） (2022-08-30T08:17:55Z) - Adaptive Variational Quantum Dynamics Simulations [3.629716738568079]
本稿では、高精度な量子力学シミュレーションのための変分波動関数アンゼ構築のための汎用的自己適応的手法を提案する。
このアプローチを可積分リーブ・シュルツ・マティススピン鎖と非可積分混合体イジングモデルに適用する。
AVQDSフレームワークにより、短期量子コンピューティングデバイス上での量子多体システムの幅広い動的シミュレーションが可能となることを期待する。
論文 参考訳（メタデータ） (2020-11-01T20:21:57Z)
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。