論文の概要: Neural Correlation Learning for Quantum-Enhanced Sensing with Time-Independently Driven Rydberg Atom Arrays

• arxiv url: http://arxiv.org/abs/2610.06961v1
• Date: Sat, 03 Oct 2026 16:30:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.480156
• Title: Neural Correlation Learning for Quantum-Enhanced Sensing with Time-Independently Driven Rydberg Atom Arrays
• Title（参考訳）: 時間独立駆動型Rydbergアレーを用いた量子強調センシングのためのニューラル相関学習
• Abstract要約: 我々は、Rydberg原子配列におけるネイティブ時間非依存のハミルトン力学の下で単純な積状態の進化が複雑な多体相関を生成することを示す。 本稿では,ベイズ推論と校正データに基づくニューラルネットワークを組み合わせた相関学習フレームワークを提案する。 本研究は,多体系間相互作用における量子センシングのためのハードウェア効率・スケーラブルなパラダイムを構築した。
• 参考スコア（独自算出の注目度）: 2.7737072552980617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum-enhanced sensing typically relies on preparing specific entangled states. However, engineering these states in scalable many-body systems remains challenging due to the difficulty of designing robust preparation protocols and accounting for realistic noise. We show that evolving a simple product state under native time-independent Hamiltonian dynamics in Rydberg atom arrays generates complex many-body correlations that can potentially enable quantum-enhanced parameter estimation reaching the Heisenberg limit (HL). The key challenge is then shifted to extracting the metrological information encoded in spatial correlations of measurement patterns. We introduce a neural correlation learning framework that combines Bayesian inference with neural networks trained on calibration data. Operating in a two-stage calibration-and-sensing protocol, we numerically demonstrate that this framework effectively extracts many-body correlations to saturate the Cramér--Rao bound dictated by the classical Fisher information. Consequently, it achieves quantum-enhanced sensitivity surpassing the standard quantum limit (SQL). Furthermore, the learned estimator is robust to realistic noise, and remains accurate in the absence of rare measurement patterns. Our results establish a hardware-efficient and scalable paradigm for quantum sensing in interacting many-body systems without requiring engineered entangled states.
• Abstract（参考訳）: 量子増強センシングは通常、特定の絡み合った状態を作成することに依存する。 しかし、ロバストな準備プロトコルの設計や現実的なノイズの考慮が難しいため、スケーラブルな多体システムにおけるこれらの状態のエンジニアリングは依然として困難である。 我々は、ライドベルク原子配列の固有時間非依存なハミルトン動力学の下で単純な積状態の進化が複雑な多体相関を生じさせ、ハイゼンベルク限界(HL)に達する量子的パラメータ推定を可能にすることを示している。 鍵となる課題は、測定パターンの空間的相関で符号化された気象情報を抽出することに移る。 本稿では,ベイズ推論と校正データに基づくニューラルネットワークを組み合わせた相関学習フレームワークを提案する。 2段階のキャリブレーション・アンド・センシングプロトコルで動作し、古典的なフィッシャー情報によって規定されるクラメール・ラオ境界を飽和させるため、多体相関を効果的に抽出できることを数値的に示す。 その結果、標準量子限界(SQL)を超える量子増強感度を達成する。 さらに、学習した推定器は現実的な雑音に対して頑健であり、希少な測定パターンがない場合も正確である。 本研究は,多体システム間の相互作用において,工学的絡み合った状態を必要とせず,ハードウェア効率でスケーラブルな量子センシングパラダイムを構築した。

関連論文リスト

• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
  ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。 このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
  論文  参考訳（メタデータ） (2025-05-28T16:50:05Z)
• Enhanced Hamiltonian Learning Precision with Multi-Stage Neural Networks [10.285214278728528]
  ハミルトン学習精度を向上させる多段階ニューラルネットワークフレームワークを提案する。 提案手法は,ランダム初期状態の単一キュービットパウリ測定から時系列データを利用する。 パラメータの精度を最大化することで、2量子システム上でのフレームワークを実証する。
  論文  参考訳（メタデータ） (2025-03-10T14:10:59Z)
• A Universal Protocol for Quantum-Enhanced Sensing via Information Scrambling [1.4950073235357226]
  本稿では,ハイゼンベルクに制限された量子強調センシングを可能にする新しいプロトコルを提案する。 我々は「スクランブル」および「アンスクランブル」量子状態のコヒーレントな重ね合わせを生成するために前方および逆時間進化を利用する。
  論文  参考訳（メタデータ） (2024-11-19T19:00:00Z)
• 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)
• Attention to Quantum Complexity [21.766643620345494]
  我々は,汎用的な古典的AIフレームワークQuantum Attention Network(QuAN)を紹介する。 QuANは、測定スナップショットをトークンとして扱い、置換不変性を尊重する。 われわれはQuANを3つの異なる量子シミュレーション設定で厳格にテストしている。
  論文  参考訳（メタデータ） (2024-05-19T17:46:40Z)
• Preparing random states and benchmarking with many-body quantum chaos [48.044162981804526]
  時間に依存しないハミルトン力学の下で自然にランダム状態アンサンブルの出現を予測し、実験的に観察する方法を示す。 観測されたランダムアンサンブルは射影測定から現れ、より大きな量子系のサブシステムの間に構築された普遍的相関に密接に関連している。 我々の研究は、量子力学におけるランダム性を理解するための意味を持ち、より広い文脈でのこの概念の適用を可能にする。
  論文  参考訳（メタデータ） (2021-03-05T08:32:43Z)

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。