論文の概要: Hamiltonian Learning at Scale

• arxiv url: http://arxiv.org/abs/2608.23707v1
• Date: Mon, 24 Aug 2026 18:01:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.500614
• Title: Hamiltonian Learning at Scale
• Title（参考訳）: ハミルトンのスケール学習
• Abstract要約: ネットワーク技術を用いてハミルトン学習を大規模かつノイズでエミュレートする。 ハミルトン学習推定誤差の解析的バウンダリを提供し、学習誤差の安定性を強調する数値シミュレーションを行う。 このプロトコルを大規模にシミュレートし、その実践的限界を実証的に研究することにより、ハミルトンの学習プロセスにエラーがどのように影響するかを解析することで、将来の実験に有用な教訓を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning a quantum system's Hamiltonian is crucial for understanding and controlling its dynamics and has recently become a topic of widespread interest. To understand the learning protocol's error tolerances, i.e. its stability in the presence of inevitable errors, this work utilizes tensor network techniques to emulate Hamiltonian learning workflows at scale and with noise. Specifically, we employed a Hamiltonian learning technique based on approximate stationary states which are constructed using matrix product tools. We provide analytic bounds on the Hamiltonian learning estimation errors and perform numerical simulations that highlight learning error's stability under two families of errors. Using our workflow, we are able to scale up the protocol and learn mixed-field Ising model Hamiltonians of an $N=300$ site spin chain. By simulating the protocol at large scale, and empirically studying its practical limitations, our analysis of how errors affect the Hamiltonian learning process provides valuable lessons for future experiments. We conclude by discussing the avenues our work opens as well as future work that can support Hamiltonian learning experiments.
• Abstract（参考訳）: 量子系のハミルトニアンを学ぶことは、その力学を理解し制御するために不可欠であり、近年は広く関心を集めている。 学習プロトコルの誤り耐性、すなわち必然的エラーの存在下での安定性を理解するために、この研究はテンソルネットワーク技術を用いてハミルトン学習ワークフローを大規模かつノイズでエミュレートする。 具体的には,行列生成ツールを用いて構築した近似定常状態に基づくハミルトン学習手法を応用した。 ハミルトン学習推定誤差の解析的バウンダリを提供し、2種類の誤差の下で学習誤差の安定性を強調する数値シミュレーションを行う。 ワークフローを用いて、プロトコルをスケールアップし、混合フィールドIsingモデルハミルトン群を$N=300$サイトスピンチェーンで学習することができる。 このプロトコルを大規模にシミュレートし、その実践的限界を実証的に研究することにより、ハミルトンの学習プロセスにエラーがどのように影響するかを解析することで、将来の実験に有用な教訓を提供する。 我々は、作業がオープンする道と、ハミルトンの学習実験を支援する将来の仕事について議論することで、結論付けます。

関連論文リスト

• Optimal and Robust In-situ Quantum Hamiltonian Learning through Parallelization [5.2946736439833595]
  ハミルトン学習は、正確な多体シミュレーションを推進し、量子デバイスの性能を改善し、量子強調センシングを可能にするための基盤となる。 そこで本研究では,クラマーラオ法とクラマーラオ法を併用したハミルトニアン学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-10-09T05:58:37Z)
• The Importance of Being Lazy: Scaling Limits of Continual Learning [60.97756735877614]
  モデル幅の増大は,特徴学習の量を減らし,遅延度を高めた場合にのみ有益であることを示す。 特徴学習,タスク非定常性,および忘れることの複雑な関係について検討し,高い特徴学習が極めて類似したタスクにのみ有用であることを示す。
  論文  参考訳（メタデータ） (2025-06-20T10:12:38Z)
• Hamiltonian Neural Networks approach to fuzzball geodesics [39.58317527488534]
  Hamiltonian Neural Networks (HNN) は、ハミルトンの運動方程式を解くために損失関数を最小化するツールである。 本研究では、D1-D5円形ファズボールと呼ばれる滑らかで水平な幾何学内を移動する無質量プローブに対するハミルトン方程式を高精度に解くために訓練されたいくつかのHNNを実装した。
  論文  参考訳（メタデータ） (2025-02-28T09:25:49Z)
• A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
  Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
  論文  参考訳（メタデータ） (2024-09-18T14:57:13Z)
• Hamiltonian and Liouvillian learning in weakly-dissipative quantum many-body systems [0.0]
  我々は、リウィリアンのハミルトニアン作用素とリンドブラッド作用素の作用素内容を学ぶための様々な方法を提示し、比較する。 私たちのアプローチの中心的な側面は、パラメータ間の依存関係を導入し、変更することで、(再)パラメータ化(re-) ans'atze)することです。
  論文  参考訳（メタデータ） (2024-05-10T18:41:26Z)
• An Information Theoretic Approach to Machine Unlearning [43.423418819707784]
  AIやデータ規則に従うためには、トレーニングされた機械学習モデルからプライベートまたは著作権のある情報を忘れる必要性がますます高まっている。 この研究では、ゼロショットのアンラーニングシナリオに対処し、未学習のアルゴリズムは、トレーニングされたモデルと忘れられるデータだけが与えられたデータを削除できなければならない。 モデルの幾何に基づいて、単純だが原則化されたゼロショットアンラーニング法を導出する。
  論文  参考訳（メタデータ） (2024-02-02T13:33:30Z)
• Learning Energy Conserving Dynamics Efficiently with Hamiltonian Gaussian Processes [9.581740983484472]
  効率的に分離されたパラメータ化を施したハミルトン系のプロセスモデルを提案する。 本稿では,短軌と長軌の双方から頑健な推論が可能な省エネ射撃法を提案する。 本手法がハミルトニアン系を様々なデータ・セッティングで学習することに成功したことを実証する。
  論文  参考訳（メタデータ） (2023-03-03T13:51:04Z)
• Learning Neural Hamiltonian Dynamics: A Methodological Overview [109.40968389896639]
  Hamiltonian dynamicsは、ニューラルネットワークに正確な長期予測、解釈可能性、データ効率の学習を与える。 我々は最近提案したハミルトンニューラルネットワークモデルについて、特に方法論に焦点を当てて体系的に調査した。
  論文  参考訳（メタデータ） (2022-02-28T22:54:39Z)
• Robust and Efficient Hamiltonian Learning [2.121963121603413]
  軽度の仮定に基づいて制限を回避できる頑健で効率的なハミルトン学習法を提案する。 提案手法は,短時間のダイナミクスと局所演算のみを用いて,パウリベースでスパースなハミルトニアンを効率的に学習することができる。 ランダムな相互作用強度と分子ハミルトニアンを持つ横場イジング・ハミルトニアンのスケーリングと推定精度を数値的に検証する。
  論文  参考訳（メタデータ） (2022-01-01T13:48:15Z)
• Symplectic Learning for Hamiltonian Neural Networks [0.0]
  Hamiltonian Neural Networks (HNN)は、統一された"グレーボックス"アプローチに向けた第一歩を踏み出した。 損失関数が異なるハミルトン系のシンプレクティック構造を利用する。 HNNが学習できる正確なハミルトン関数の存在を数学的に保証する。
  論文  参考訳（メタデータ） (2021-06-22T13:33:12Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
  本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。 我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
  論文  参考訳（メタデータ） (2020-11-17T12:39:44Z)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)

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。