論文の概要: Reinforcement LearningtoHarness Approximation Errors for Long-Time QuantumSimulation
- arxiv url: http://arxiv.org/abs/2608.20139v1
- Date: Thu, 20 Aug 2026 15:02:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.618168
- Title: Reinforcement LearningtoHarness Approximation Errors for Long-Time QuantumSimulation
- Title（参考訳）: 長期量子シミュレーションのための強化学習型ハネス近似誤差
- Abstract要約: 本稿では、避けられない近似誤差を誤り訂正のリソースとして扱う強化学習フレームワークRL-Trotterを紹介する。
エネルギーやエネルギーの分散といった保存法則から得られる低次元情報は,エージェントを導くのに十分な学習信号を提供することを示す。
RL-Trotterは、後続のエラーが早く蓄積したエラーを補う自己修正シーケンスを発見し、長時間のダイナミクスの精度を高めた。
- 参考スコア（独自算出の注目度）: 0.5900016204451702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate digital quantum simulation at long times is limited by the accumulation of errors inherent to approximate simulation. Here we introduce RL-Trotter, a reinforcement-learning framework that treats unavoidable approximation errors as resources for error correction rather than merely imperfections to suppress. We show that low-dimensional information from conservation laws, such as the energy and energy variance, provides a sufficient learning signal to guide the agent, which learns to adapt a single scalar---the next Trotter step size---without access to the target wave function. By optimizing the entire long-time evolution rather than individual steps, RL-Trotter discovers self-correcting sequences in which later errors compensate for those accumulated earlier, increasing the accuracy of the long-time dynamics. The learned policies are intrinsically robust to measurement noise, substantially reducing measurement overhead. They also generalize to previously unseen, physically similar initial states and transfer from small, classically simulable systems to systems an order of magnitude larger. This enables a practical protocol based on classical pretraining followed by direct deployment or limited fine-tuning on quantum hardware. Our results establish a broader perspective for quantum algorithms: errors in approximate evolution can be orchestrated into resources for accurate and resource-efficient quantum dynamics.
- Abstract（参考訳）: 長い時間における正確なデジタル量子シミュレーションは、近似シミュレーションに固有の誤差の蓄積によって制限される。
RL-Trotterは、避けられない近似誤差を、単に不完全ではなく、エラー訂正のためのリソースとして扱う強化学習フレームワークである。
エネルギーやエネルギーの分散といった保存法則から得られる低次元情報により,エージェントを誘導する十分な学習信号が得られ,単一のスカラーに適応することを学習する。
個々のステップよりも長い時間進化全体を最適化することで、RL-Trotterは、後続のエラーが早く蓄積したものを補う自己修正シーケンスを発見し、長時間のダイナミクスの精度を高めた。
学習されたポリシーは本質的に測定ノイズに対して堅牢であり、測定オーバーヘッドを大幅に削減する。
また、以前は目に見えない物理的に類似した初期状態に一般化し、小型で古典的にシミュレート可能なシステムから、桁違いに大きいシステムへ移行する。
これにより、古典的な事前訓練に基づく実用的なプロトコルが実現され、直接デプロイや量子ハードウェアの微調整が制限される。
近似進化における誤差は、正確かつ資源効率のよい量子力学のリソースにまとめることができる。
関連論文リスト
- Quantum-classical crossover in fault-tolerant quantum dynamics simulation [56.198154828333685]
我々は、コヒーレントな観測可能推定と非クリフォード回転の時空間効率実装を組み合わせたスケーラブルなフォールトトレラントフレームワークを提案する。
最先端テンソルネットワークと変分モンテカルロアルゴリズムに対するベンチマークでは、混合場イジングダイナミクスのための具体的なクロスオーバーが明らかにされている。
論文 参考訳（メタデータ） (2026-07-17T16:54:25Z) - Reinforcement Learning Control of Quantum Error Correction [108.70420561323692]
量子コンピュータは、エラーから直接自己改善することを学び、決してコンピューティングを止めない。
この研究によって新しいパラダイムが実現された: 量子コンピュータは、そのエラーから直接自己改善を学び、決してコンピューティングを止めない。
論文 参考訳（メタデータ） (2025-11-11T17:32:25Z) - Quantum Imaginary-Time Evolution with Polynomial Resources in Time [10.929463111602232]
本稿では,適応正規化係数を用いた正規化虚数時間状態を作成し,大規模な虚数時間における安定な成功確率を維持する量子アルゴリズムを提案する。
提案アルゴリズムは,基本的数の量子ゲートと単一アンシラ量子ビットを用いて,目標状態を逆虚数時間で小さな誤差に近似する。
数値実験により, 進化時間50までの理論的結果が検証され, 長期進化におけるアルゴリズムの有効性が実証された。
論文 参考訳（メタデータ） (2025-07-01T16:11:47Z) - Suppressing Measurement Noise in Logical Qubits Through Measurement Scheduling [1.419616346522232]
単発測定におけるノイズは論理的読み出し精度を制限し、量子計算において重要なボトルネックを形成する。
本稿では,論理的読み出し誤りを抑制する動的測度スケジューリングプロトコルを提案し,誤り発生キュービットから安定ノードへの計測タスクを適応的に再分配する。
数値シミュレーションにより,3～11の符号距離で論理誤差率を最大34%削減できることがわかった。
論文 参考訳（メタデータ） (2025-05-12T01:54:40Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか?
我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。
そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Learning the tensor network model of a quantum state using a few
single-qubit measurements [0.0]
人工量子システムの次元性は常に増大し、その特徴付けとベンチマークのために非常に効率的な方法が要求される。
本稿では,未知の量子系のテンソルネットワークモデルを学習する構成的かつ数値的に効率的なプロトコルを提案する。
論文 参考訳（メタデータ） (2023-09-01T11:11:52Z) - Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
エンタングルメントは量子コンピューティングを強化するリソースとして機能する。
最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。
我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
論文 参考訳（メタデータ） (2023-06-06T08:06:43Z) - Deep Quantum Error Correction [73.54643419792453]
量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。
本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。
提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
論文 参考訳（メタデータ） (2023-01-27T08:16:26Z) - Making Trotterization adaptive and energy-self-correcting for NISQ
devices and beyond [0.0]
連続時間進化のシミュレーションは、古典コンピュータと量子コンピュータの両方で時間離散化を必要とする。
この問題を解決するために量子アルゴリズムを導入し、局所可観測体の量子多体ダイナミクスの制御された解を提供する。
我々のアルゴリズムは、例えば、時間発展ブロックデシミテーション法に基づく数値的アプローチに関して、時間離散化が関与するときに、より一般的なレベルで有用である可能性がある。
論文 参考訳（メタデータ） (2022-09-26T12:54:32Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z) - Simple Mitigation of Global Depolarizing Errors in Quantum Simulations [0.0]
深部量子回路のノイズが大域的非偏極誤差チャネルによってよく説明されるという仮定に基づいて, 単純かつ効果的な誤り軽減手法を提案する。
デバイス上で直接エラーを測定することで、ノイズのないデータからエラーのない結果を推測する。
論文 参考訳（メタデータ） (2021-01-05T18:31:28Z)
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。