論文の概要: Foundation Neural Effective Hamiltonian for Strongly Correlated Quantum Materials
- arxiv url: http://arxiv.org/abs/2608.14208v1
- Date: Fri, 14 Aug 2026 11:33:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.367288
- Title: Foundation Neural Effective Hamiltonian for Strongly Correlated Quantum Materials
- Title（参考訳）: 強相関量子材料のための基礎的ニューラルネットワーク有効ハミルトニアン
- Abstract要約: 強い相関を持つ量子材料をシミュレートするには、実験的に調整可能なカップリングによって基底状態が進化するハミルトンの族が関係することが多い。
本稿では,FNQS に分散したコンパクト部分空間上にハミルトン族を射影するファウンデーション・ニューラル・エフェクト・ハミルトニアン (FNEH) を紹介する。
FNEHは、小さな実効ハミルトニアン次元によって支配されるコストで、結合、観測可能、位相境界を網羅することができる。
- 参考スコア（独自算出の注目度）: 5.5688256397034515
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulating strongly correlated quantum materials often involves not a single Hamiltonian, but a family of Hamiltonians whose ground states evolve across experimentally tunable couplings. Foundation neural quantum states (FNQS) offer a promising route to amortizing many-body calculations across such families, but can lose accuracy near phase transitions and still incur non-negligible sampling costs that grow with the number of target couplings. We introduce the Foundation Neural Effective Hamiltonian (FNEH), which projects a Hamiltonian family onto a compact subspace spanned by FNQS sampled at selected couplings. By variationally combining FNQS across parameter space, FNEH systematically improves their ground-state approximation and can recover phase boundaries that the foundation model misidentifies. Once the required operator matrix elements are sampled, FNEH enables sweeps over couplings, observables, and phase boundaries at a cost governed by the small effective-Hamiltonian dimension, without repeated neural-network sampling at every target coupling. We demonstrate FNEH in strongly correlated moiré materials, where it accurately resolves competing phases, enables high-resolution multidimensional phase scans, and substantially reduces the computational cost of exploring many target Hamiltonians. The results open a new avenue for studying strongly correlated quantum materials with foundation models.
- Abstract（参考訳）: 強い相関を持つ量子材料をシミュレートする場合は、単一のハミルトニアンではなく、実験的に調整可能なカップリングによって基底状態が進化するハミルトニアン族である。
ファンデーション神経量子状態(FNQS)は、これらの族をまたいだ多体計算を減弱する有望な経路を提供するが、相転移に近い精度を失い、ターゲット結合の数で増加する非無視サンプリングコストを発生させる。
本稿では,FNQS に分散したコンパクト部分空間上にハミルトン族を射影するファウンデーション・ニューラル・エフェクト・ハミルトニアン (FNEH) を紹介する。
パラメータ空間間でFNQSを変動的に組み合わせることで、FNEHは基底状態近似を体系的に改善し、基礎モデルが誤認した位相境界を復元することができる。
必要となる演算子行列要素がサンプリングされると、FNEHは、全てのターゲット結合において繰り返しニューラルネットワークサンプリングを行うことなく、小さな有効ハミルトン次元に支配されるコストで、結合、観測可能、位相境界を網羅することができる。
そこでFNEHは競合する相を正確に解き、高分解能な多次元位相スキャンを可能にし、多くのターゲットであるハミルトンを探索する際の計算コストを大幅に削減する。
結果は、基礎モデルと強く相関した量子材料を研究するための新しい道を開く。
関連論文リスト
- Resource-efficient quantum-selected configuration interaction for molecular properties [0.0]
ノイズの多い量子デバイス上での完全な電子ハミルトニアンの実装は、回路の複雑さを急速に増大させる。
我々は、コンパクトなハミルトニアンを構築するために参照状態の忠実度損失解析を行い、高い精度を維持しながら計算オーバーヘッドを低減する。
これらの結果は、ノイズの多い中間スケール量子デバイスにおけるこのアプローチのスケーラビリティを示している。
論文 参考訳（メタデータ） (2026-07-30T07:09:22Z) - Resource Estimation for VQE on Small Molecules: Impact of Fermion Mappings and Hamiltonian Reductions [0.0]
変分量子ソルバ(VQE)は、この問題に対処するための主要なハイブリッド量子古典パラダイムである。
Unitary Coupled Cluster Singles and Doubles (UCCSD) を用いたVQE実装のリソース要件を体系的に分析する。
量子リソースのスケーリングに対する影響を評価するために,$mathbbZ$のテーパリングや凍結コア近似を含むハミルトン還元戦略を検討した。
論文 参考訳（メタデータ） (2025-12-01T12:24:00Z) - 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) - Foundation Neural-Networks Quantum States as a Unified Ansatz for Multiple Hamiltonians [39.47297975798672]
Foundation Neural-Network Quantum States (FNQS)は、量子多体システムを研究するための統合パラダイムである。
FNQSは基礎モデルの鍵となる原理を活用し、単一の汎用アーキテクチャに基づいて変動波動関数を定義する。
FNQSは、訓練中に遭遇した以上の物理ハミルトニアンに一般化することができる。
論文 参考訳（メタデータ） (2025-02-13T16:52:07Z) - Diffusion-Enhanced Optimization of Variational Quantum Eigensolver for General Hamiltonians [17.975555487972166]
変分量子アルゴリズム(VQA)は、現在の雑音量子デバイスにおいて量子優位を達成するための有望なアプローチとして登場した。
しかし、それらの大規模応用は、バレンプラトー(BP)現象、局所ミニマ、多数の反復要求など、最適化上の課題によって著しく妨げられている。
本研究では,これらの問題に対処するために,デノナイジング拡散モデル(DM)を活用する。
論文 参考訳（メタデータ） (2025-01-10T02:32:46Z) - Learning interactions between Rydberg atoms [4.17037025217542]
グラフニューラルネットワーク(GNN)を用いたハミルトン学習へのスケーラブルなアプローチを提案する。
我々は、GNNモデルがトレーニング領域を超えて外挿できることを実証した。
論文 参考訳（メタデータ） (2024-12-16T17:45:30Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Neural Quantum State Study of Fracton Models [3.8068573698649826]
フラクトン模型は3次元以上の非伝統的な位相秩序を包含する。
これらのモデルにおける相転移を研究するための新しいツールとして、ニューラル量子状態(NQS)を確立する。
本研究は,複雑な3次元問題の研究におけるNQSの顕著な可能性を示すものである。
論文 参考訳（メタデータ） (2024-06-17T15:58:09Z) - Quantum State Transfer in Interacting, Multiple-Excitation Systems [41.94295877935867]
量子状態伝達(QST)は、あるノードから別のノードへの量子情報のコヒーレントな通過を記述する。
高忠実度QSTを与えるハミルトニアンの発見を可能にするモンテカルロ法について述べる。
その結果生まれたJaynes-Cummings-Hubbardと周期的なAndersonモデルは、原則として、効率的なQSTを提供するための適切なハードウェアで設計することができる。
論文 参考訳（メタデータ） (2024-05-10T23:46:35Z) - Quantum Algorithms for Simulating Nuclear Effective Field Theories [38.88664371914129]
我々は、量子ビットとゲートコストを推定するために最先端のハミルトンシミュレーション法を用いて、低エネルギー有効場理論をシミュレートする。
ピオンレス EFT はシミュレートに最もコストがかかりにくく、続いて1ピオン交換理論(英語版)、そして動的ピオン理論(英語版)が続く。
論文 参考訳（メタデータ） (2023-12-08T20:09:28Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - 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)
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。