論文の概要: Accurate and bounded approximation of quantum correlation functions
- arxiv url: http://arxiv.org/abs/2609.35114v1
- Date: Mon, 28 Sep 2026 13:15:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 16:52:18.076848
- Title: Accurate and bounded approximation of quantum correlation functions
- Title（参考訳）: 量子相関関数の精度および有界近似
- Abstract要約: 無限温度相関関数に対しては、計算可能な有限サイズの領域内のフルダイナミックスを近似するための厳密な誤差を導出する。
このアプローチは特に1次元のシステムで正確であり、他の近似手法に対して厳密な誤差境界を提供することができる。
- 参考スコア（独自算出の注目度）: 45.88028371034407
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The exact classical simulation of non-integrable quantum systems rapidly becomes intractable beyond small system sizes, yet its role is central to predicting many-body dynamics. Approximate methods alleviate this cost but typically lack rigorous guarantees on their deviation from the exact result. For the infinite-temperature correlation function, we derive a rigorous error bound for approximating the full dynamics within a computable finite-sized region. Applied to autocorrelations, this finite-region approach is especially accurate across one-dimensional systems and beyond, and can further provide rigorous error bounds for other approximate methods, demonstrated here for matrix-product-operator simulations.
- Abstract（参考訳）: 非可積分量子系の古典的なシミュレーションは、小さなシステムサイズを超えて急速に難解になるが、その役割は多体力学の予測の中心である。
近似法はこのコストを軽減するが、通常は正確な結果から逸脱する際の厳密な保証を欠いている。
無限温度相関関数に対しては、計算可能な有限サイズの領域内のフルダイナミックスを近似するための厳密な誤差を導出する。
自己相関に応用すると、この有限領域のアプローチは、特に1次元系やそれ以上の系において正確であり、ここで証明された行列-積-演算シミュレーションにおいて、他の近似手法に対して厳密な誤差境界を与えることができる。
関連論文リスト
- Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。
本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。
我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。
スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
論文 参考訳（メタデータ） (2026-08-25T15:07:11Z) - Nonparametric learning of stochastic differential equations from sparse and noisy data [2.389598109913754]
強い構造仮定なしでデータから直接ドリフト関数を学習する。
我々は,新しいモンテカルロ法(SMC)を用いた期待最大化法(EM)アルゴリズムを開発した。
EM-SMC-RKHS法により、低データ状態における力学系のドリフト関数を正確に推定できる。
論文 参考訳（メタデータ） (2025-08-15T17:01:59Z) - Unitary Dilation Strategy Towards Efficient and Exact Simulation of Non-Unitary Quantum Evolutions [0.0]
我々は,非単位演算を量子デバイスにマッピングするための,効率的かつ正確な単一アンシラ分解手法を提案する。
ラグランジュ・シルヴェスター(Lagrange-Sylvester)は,機能近似のための解析的微分法に類似した手法である。
これは、オープンシステムの実用的な量子計算に非常に望ましい測定コストの、数桁のスケール削減につながる可能性がある。
論文 参考訳（メタデータ） (2025-01-30T19:00:17Z) - Stochastic parameter optimization analysis of dynamical quantum critical phenomena in long-range transverse-field Ising chain [0.0]
一次元長次元逆場イジングモデルの量子相転移について検討する。
シミュレーションでは, 臨界点と普遍性に関する事前知識がなくても, サンプリング対象のパラメータを自動的に決定する。
後者の2つの普遍性境界として$sigma = 7/4$を支持する数値的な証拠を得ることに成功した。
論文 参考訳（メタデータ） (2023-05-23T14:46:16Z) - Effective Hamiltonian approach to the exact dynamics of open system by complex discretization approximation for environment [0.0]
複素ガウス二次関数に基づく複素周波数空間への離散化近似法の一般化を提案する。
有効ハミルトニアンは非エルミート的であり、負の虚部を持つ複素エネルギーモードを証明できる。
論文 参考訳（メタデータ） (2023-03-12T05:34:29Z) - Decimation technique for open quantum systems: a case study with
driven-dissipative bosonic chains [62.997667081978825]
量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。
本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。
本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
論文 参考訳（メタデータ） (2022-02-15T19:00:09Z) - Boundary Chaos [0.0]
多体量子系におけるスクランブルは、当初は局所可観測体がユニタリ力学の下で利用可能な空間全体に均一に拡散する原因である。
本稿では,システムの境界上に配置された不純物相互作用によってエルゴディディティが誘導される自由量子回路モデルを提案する。
論文 参考訳（メタデータ） (2021-12-09T18:34:08Z) - The Connection between Discrete- and Continuous-Time Descriptions of
Gaussian Continuous Processes [60.35125735474386]
我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。
この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
論文 参考訳（メタデータ） (2021-01-16T17:11:02Z) - On dissipative symplectic integration with applications to
gradient-based optimization [77.34726150561087]
本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。
我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
論文 参考訳（メタデータ） (2020-04-15T00:36:49Z)
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。