論文の概要: Simulation-Based Quantum System Inference with Neural Posterior Estimation

• arxiv url: http://arxiv.org/abs/2609.34995v1
• Date: Mon, 28 Sep 2026 12:04:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 17:58:14.517023
• Title: Simulation-Based Quantum System Inference with Neural Posterior Estimation
• Title（参考訳）: 神経後部推定を用いたシミュレーションに基づく量子システム推定
• Abstract要約: シミュレーションに基づく量子システム推論を導入する。 1回トレーニングされた1つのモデルは、新しい測定記録を1回の前方通過で後方にマップする。 パウリノイズ学習、量子エラー緩和、量子状態トモグラフィ、ハミルトン学習にまたがるフレームワークの汎用性を数値的に示す。
• 参考スコア（独自算出の注目度）: 3.260018164495787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Models of quantum systems faithfully map system parameters to observations, but the inverse problem of parameter inference from measurement data presents a fundamental challenge: computationally intractable likelihoods due to an exponentially large Hilbert space. Here, we introduce simulation-based quantum system inference, a unified, likelihood-free framework that learns parameter posteriors directly from classical simulation data. The central idea is to pair polynomial-cost classical simulators, such as Pauli propagation and tensor networks, with normalizing flows or other neural density estimators for accurate, reusable inference. A single model, trained once, maps any new measurement record to its posterior in one forward pass---turning per-experiment inference into a fixed, up-front cost. We numerically demonstrate the framework's versatility across Pauli noise learning, quantum error mitigation, quantum state tomography, and Hamiltonian learning, with examples involving 81-qubit shallow circuits and 735-parameter inference. In each case, the approach yields accurate estimates of identifiable parameters, while posterior uncertainty provides additional diagnostics of non-identifiability and indicates where further characterization is needed. Our framework reduces data-acquisition requirements in quantum experiments and accelerates parameter inference, providing a practical route to characterizing and improving large-scale quantum systems.
• Abstract（参考訳）: 量子系のモデルは、系パラメータを観測に忠実にマッピングするが、測定データからのパラメータ推論の逆問題は、指数関数的に大きいヒルベルト空間による計算的に難解な可能性を示す。 ここでは,古典的なシミュレーションデータから直接パラメータ後部を学習する統一的,可能性のないフレームワークであるシミュレーションベースの量子システム推論を紹介する。 中心となる考え方は、パウリ伝播やテンソルネットワークのような多項式コストの古典的シミュレータを、正規化フローや他の神経密度推定器と組み合わせて、正確で再利用可能な推論を行うことである。 1回トレーニングされた1つのモデルは、新しい測定記録を1回の前方通過で後方にマッピングします。 本稿では, パウリ雑音学習, 量子誤差緩和, 量子状態トモグラフィ, ハミルトニアン学習におけるフレームワークの汎用性を数値的に示す。 いずれの場合も、この手法は同定可能なパラメータの正確な推定を導き、後続の不確実性は、非識別可能性のさらなる診断を提供し、さらにキャラクタリゼーションが必要な場所を示す。 我々のフレームワークは、量子実験におけるデータ取得要求を減らし、パラメータ推論を加速し、大規模量子システムの特徴付けと改善のための実践的なルートを提供する。

関連論文リスト

• Quantum Hamiltonian Evolution for Coherent Quantum Learning [0.0]
  損失関数を符号化するハミルトニアンの下で、モデルパラメータが量子自由度である量子学習モデルのトレーニングフレームワークであるコヒーレント量子学習(CQL)を紹介する。
  論文  参考訳（メタデータ） (2026-09-03T10:41:23Z)
• Sample-based training of quantum generative models [1.3521721488318912]
  我々は、量子モデルに対する対照的な発散の原理を拡張するトレーニングフレームワークを導入する。 回路構造を導出し、構成のための一般的なレシピを提供することで、パラメータ更新に必要なサンプルを生成する量子回路を得る。
  論文  参考訳（メタデータ） (2025-11-14T19:00:02Z)
• A multi-dimensional quantum estimation and model learning framework based on variational Bayesian inference [3.7127285734321203]
  本稿では,多数のモデルパラメータに対して高速かつ操作可能な共同モデル選択とパラメータ推定アルゴリズムを提案する。 このアルゴリズムは変分ベイズ推定(VBI)に基づいており、ターゲットの後方分布を近似する。 我々は,各パラメータの異なる競合モデルを選択するために,事前の正規化がいかに使用できるかを示す。
  論文  参考訳（メタデータ） (2025-07-30T22:18:27Z)
• ShadowGPT: Learning to Solve Quantum Many-Body Problems from Randomized Measurements [2.1946359779523332]
  本稿では,量子実験から収集したランダム化測定データから学習することで,量子多体問題を解く新しい手法であるShadowGPTを提案する。 このモデルは量子ハミルトニアンの基底状態のシミュレーションされた古典的影データに基づいて訓練された生成前訓練変圧器(GPT)である。
  論文  参考訳（メタデータ） (2024-11-05T17:34:03Z)
• 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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$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)
• Identifiability and Characterization of Transmon Qutrits Through Bayesian Experimental Design [0.0]
  クォート系の量子特性評価のためのオンラインベイズ的手法を提案する。 パラメータの点推定を行うほとんどの評価プロトコルとは異なり、提案手法は確率分布を推定することができる。 モデルパラメータの理論的同定可能性の数学的証明と,パラメータが同定可能な量子状態に関する条件を提供する。
  論文  参考訳（メタデータ） (2023-12-15T22:02:54Z)
• 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)
• Probing finite-temperature observables in quantum simulators of spin systems with short-time dynamics [62.997667081978825]
  ジャジンスキー等式から動機付けられたアルゴリズムを用いて, 有限温度可観測体がどのように得られるかを示す。 長範囲の逆場イジングモデルにおける有限温度相転移は、捕捉されたイオン量子シミュレータで特徴づけられることを示す。
  論文  参考訳（メタデータ） (2022-06-03T18:00:02Z)
• Bosonic field digitization for quantum computers [62.997667081978825]
  我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。 本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-24T15:30:04Z)

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。