論文の概要: A Unified Quantum Neural Network Framework for Hamiltonian Learning and Emulation of Unknown Quantum Systems
- arxiv url: http://arxiv.org/abs/2608.23025v1
- Date: Mon, 24 Aug 2026 09:30:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.011926
- Title: A Unified Quantum Neural Network Framework for Hamiltonian Learning and Emulation of Unknown Quantum Systems
- Title（参考訳）: ハミルトン学習と未知量子系のエミュレーションのための統一量子ニューラルネットワークフレームワーク
- Abstract要約: 本研究は,ブラックボックスハミルトン学習と量子システムエミュレーションのためのQNNベースのフレームワークを提案する。
物理的に許容できるハミルトニアンと散逸パラメータの合成データセットを生成し、実験的な測定をエミュレートする。
このフレームワークは、ブラックボックス量子システム識別から物理量子エミュレーションへのデータ駆動経路を確立する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate identification of unknown quantum systems is essential for quantum computing, sensing, and control because the Hamiltonian governs quantum state evolution. This work proposes a QNN based framework for black box Hamiltonian learning and quantum system emulation using full density matrix trajectory learning. Unlike approaches based only on final states or selected observables, the method exploits the complete temporal evolution of the density matrix under Lindblad dynamics. A synthetic dataset of physically admissible Hamiltonians and dissipation parameters is generated to emulate experimental measurements. The QNN learns a nonlinear mapping from control inputs to a 32-dimensional Hamiltonian coefficient vector, enabling reconstruction and differentiable emulation of the unknown system. Chirped excitation and randomized initial quantum states are incorporated to improve robustness and provide richer dynamical information. Performance is evaluated using trajectory density loss, quantum-state fidelity, and trace distance. Randomized initialization improves state-level reconstruction, increasing fidelity to 0.929 for the single qubit benchmark and 0.787 for the unknown system, while reducing trace distance to 0.124 and 0.316, respectively. In contrast, chirped excitation primarily improves optimization by accelerating convergence and reducing trajectory density loss. Finally, the learned Hamiltonian is mapped onto a physical two qubit bus resonator architecture in the dispersive regime, yielding key circuit parameters including transmon capacitances, Josephson inductances, qubit separation, and bus-resonator length. The framework therefore establishes a data-driven pathway from black box quantum system identification to physical quantum emulation, with potential applications in quantum digital twin modeling.
- Abstract（参考訳）: 未知の量子系の正確な同定は、量子コンピューティング、センシング、制御に不可欠である。
本研究は,完全密度行列軌道学習を用いたブラックボックスハミルトン学習と量子系エミュレーションのためのQNNベースのフレームワークを提案する。
最終状態や選択された可観測物のみに基づくアプローチとは異なり、この方法はリンドブラッド力学の下で密度行列の完全な時間的進化を利用する。
物理的に許容できるハミルトニアンと散逸パラメータの合成データセットを生成し、実験的な測定をエミュレートする。
QNNは制御入力から32次元ハミルトン係数ベクトルへの非線形写像を学習し、未知系の再構成と微分可能エミュレーションを可能にする。
チャープ励起とランダム化初期量子状態は、堅牢性を改善し、よりリッチな動的情報を提供するために組み込まれている。
トラジェクトリ密度損失, 量子状態の忠実度, トレース距離を用いて, 性能評価を行った。
ランダム化初期化は状態レベルの再構築を改善し、単一キュービットのベンチマークでは0.929、未知のシステムでは0.787に、トレース距離は0.124と0.316に減少する。
対照的に、チャープ励起は主に収束を加速し、軌道密度損失を減らすことで最適化を改善する。
最後に、学習したハミルトニアンを分散状態の物理2ビットバス共振器アーキテクチャにマッピングし、トランモン容量、ジョセフソンインダクタンス、キュービット分離、バス共振器長さなどの重要な回路パラメータを出力する。
したがって、このフレームワークはブラックボックス量子システム識別から物理量子エミュレーションへのデータ駆動経路を確立し、量子デジタルツインモデリングに応用できる可能性がある。
関連論文リスト
- SpinGQE: A Generative Quantum Eigensolver for Spin Hamiltonians [42.007194397302825]
基底状態探索は量子コンピューティングの中心である。
我々は、生成量子固有ソルバフレームワークをスピンハミルトニアンに拡張したSpinGQEを提案する。
我々は、低エネルギー状態を生成する量子回路について学ぶために、トランスフォーマーベースのデコーダを用いる。
論文 参考訳（メタデータ） (2026-03-25T13:38:15Z) - Digital Quantum Simulation of the Holstein-Primakoff Transformation on Noisy Qubits [40.8066152850216]
クラウドベースの超伝導量子プロセッサ上でのボソニックモードのディジタル量子シミュレーションについて検討する。
アルゴリズムとハードウェアが引き起こすエラーの相互作用を検証し、最適なシミュレーションパラメータを同定する。
論文 参考訳（メタデータ） (2026-02-19T20:14:04Z) - Quantum Noise Tomography with Physics-Informed Neural Networks [0.15229257192293197]
物理インフォームドニューラルネットワークを用いたリンドブラッド断層撮影のための新しいフレームワークを提案する。
本手法は,支配主方程式を学習することにより,雑音量子系の完全微分可能なディジタル双対を生成する。
論文 参考訳（メタデータ） (2025-09-15T13:30:50Z) - Quantum Filtering and Stabilization of Dissipative Quantum Systems via Augmented Neural Ordinary Differential Equations [5.819937157229223]
AQNODEは、測定データから直接量子軌道と散逸パラメータを学習するフレームワークである。
提案手法は、弱い測定データを統合して、量子ビット状態と時間依存デコヒーレンス率を再構成する。
AQNODEは、分散量子システムのリアルタイムモデリングと制御のためのスケーラブルで微分可能で実験的に互換性のあるフレームワークである。
論文 参考訳（メタデータ） (2025-09-08T20:23:45Z) - Quantum neural ordinary and partial differential equations [38.77776626953413]
古典的ニューラルODE/PDEの連続時間形式を量子機械学習と量子制御にもたらす統一的なフレームワークを提案する。
我々は、QNODEsを有限次元量子システムの進化と定義し、QNPDEsを無限次元(連続変数)のものと定義する。
論文 参考訳（メタデータ） (2025-08-24T18:43:44Z) - Inverse Physics-informed neural networks procedure for detecting noise in open quantum systems [0.0]
我々は、逆物理インフォームドニューラルネットワーク(PINNverse)フレームワークをリンドブラッドマスター方程式が支配するオープン量子システムに拡張する。
2ビットオープンシステムの数値シミュレーションにより,提案手法の有効性とロバスト性を示す。
この結果から、PINNverseは量子システム識別のためのスケーラブルで耐雑音性のあるフレームワークであり、量子制御やエラー軽減に応用できる可能性が示唆された。
論文 参考訳（メタデータ） (2025-07-16T18:03:48Z) - Simulating quantum collision models with Hamiltonian simulations using early fault-tolerant quantum computers [0.6536048280842786]
我々は、繰り返し相互作用スキームとしても知られる量子衝突モデルをシミュレートするランダム化量子アルゴリズムを開発した。
我々の手法は、初期のフォールトトレラント量子コンピュータにおけるマルコフ力学と非マルコフ力学の両方に量子衝突モデルを利用することができる。
論文 参考訳（メタデータ） (2025-04-30T12:09:54Z) - 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) - Demonstration of a variational quantum eigensolver with a solid-state spin system under ambient conditions [15.044543674753308]
量子シミュレータは、物理系の量子的性質を利用して別の物理系を研究する能力を提供する。
変分量子固有解法アルゴリズムは分子電子構造の研究に特に有望な応用である。
スピンベースの固体量子ビットは、長いデコヒーレンス時間と高忠実度量子ゲートの利点がある。
論文 参考訳（メタデータ） (2024-07-23T09:17:06Z) - 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) - Data-driven Quantum Dynamical Embedding Method for Long-term Prediction on Near-term Quantum Computers [6.1549556540537855]
量子力学埋め込み(QDE)を用いた時系列予測のためのデータ駆動手法を提案する。
時系列長の独立性に基づき、この手法は深さ効率の高い量子回路を実現する。
数値シミュレーションは、波動信号だけでなく、NARMAのようなより複雑な信号も予測できることを示す。
論文 参考訳（メタデータ） (2023-05-25T12:12:49Z) - Simulating the Mott transition on a noisy digital quantum computer via
Cartan-based fast-forwarding circuits [62.73367618671969]
動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。
不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。
この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
論文 参考訳（メタデータ） (2021-12-10T17:32:15Z)
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。