論文の概要: Sparse-QITE: Discovering Compact Generators for Quantum Imaginary-Time Evolution via Regularization Methods
- arxiv url: http://arxiv.org/abs/2610.20791v1
- Date: Wed, 14 Oct 2026 18:32:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.019881
- Title: Sparse-QITE: Discovering Compact Generators for Quantum Imaginary-Time Evolution via Regularization Methods
- Title（参考訳）: Sparse-QITE:正則化法による量子イマジナリー時間進化のための小型発電機の発見
- Abstract要約: Sparse-QITEは、コンパクトなジェネレータを促進する正規化された定式化である。
我々は、スペーシフィケーション誤差の厳密な境界を導出し、1次元の逆場イジングと反強磁性ハイゼンベルクモデルでこの手法をベンチマークする。
Sparse-QITEは、高い精度の体制でも強い圧縮を維持しながら、制御可能なスパーシリティ-精度トレードオフを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum imaginary-time evolution (QITE) provides a systematic route to ground-state preparation, but its cost grows rapidly with the locality $D$ of the unitary approximation, for which the local Pauli basis scales as $4^D$. We introduce Sparse-QITE, a regularized formulation that promotes compact generators, reducing the number of quantum operations and yielding circuits with fewer gates and lower depth. We derive rigorous bounds on the sparsification error and benchmark the method in one-dimensional transverse-field Ising and antiferromagnetic Heisenberg models. Sparse-QITE exhibits a controllable sparsity--accuracy trade-off while retaining strong compression even in the high-accuracy regime. In scalability experiments with respect to $D$, the active support grows much more slowly than in standard QITE and, in several regimes, approximately saturates over the domain sizes studied. After circuit construction and transpilation, some of the largest-domain cases require only about $1\%$ of the standard-QITE gate count while maintaining high accuracy. We further introduce adaptive and active-discovery variants: the former selects the regularization strength dynamically during the evolution, while the latter reduces the number of Pauli expectation values that need to be evaluated and, consequently, the measurement requirements. These results establish sparsity-promoting regularization as a route toward more resource-efficient QITE. More broadly, these results suggest that sparsity-promoting regularization may also benefit variational quantum algorithms.
- Abstract（参考訳）: QITE(Quantum imaginary-time Evolution)は、地中準備への体系的な経路を提供するが、そのコストはユニタリ近似の局所性$D$とともに急速に増加し、局所的なパウリ基底は4^D$となる。
Sparse-QITEは、コンパクトなジェネレータを促進し、量子演算数を減らし、より少ないゲートと低い深さの回路を出力する正規化された定式化である。
我々は、スペーシフィケーション誤差の厳密な境界を導出し、1次元の逆場イジングと反強磁性ハイゼンベルクモデルでこの手法をベンチマークする。
Sparse-QITEは、高い精度の体制でも強い圧縮を維持しながら、制御可能なスパーシリティ-精度トレードオフを示す。
D$に関するスケーラビリティ実験では、アクティブサポートは標準的なQITEよりもずっと遅く成長し、いくつかのレジームでは、ドメインサイズについてほぼ飽和する。
回路構築とトランスパイレーションの後、いくつかの大きなドメインでは、高い精度を維持しながら標準QITEゲート数の約1\%しか必要としない。
さらに適応的および能動的発見的な変種を導入し、前者は進化中に正規化強度を動的に選択し、後者は評価が必要なパウリ期待値の数を減らし、その結果、測定要求を減らした。
これらの結果から,より資源効率の高いQITEへの道筋として,スパーシティプロモーティング正規化が確立された。
より広範に、これらの結果は、スパーシリティを動機とする正規化もまた変分量子アルゴリズムの恩恵を受ける可能性があることを示唆している。
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) - QnRL: Quantum-Native Reinforcement Learning [82.36163324220894]
量子強化学習(QRL)は、環境のある複数のアプリケーションにわたる効果的な意思決定戦略を学ぶための有望なアプローチである。
既存のQRLアーキテクチャは、予測された結果を推定することで環境挙動を間接的に近似し、その表現力と適応ポテンシャルを制限する。
このような課題を克服するには、環境変数を直接量子状態分布としてモデル化するために、量子コンピュータの分布特性を利用する新しいQRLアプローチが必要である。
論文 参考訳（メタデータ） (2026-06-06T17:54:58Z) - A Shadow Enhanced Greedy Quantum Eigensolver [0.0]
本稿では, シャドウ強化グリーディ量子固有ソルバ (SEGQE) を, 測定効率の良い地中処理のための, シャドウ支援フレームワークとして紹介する。
本研究は,SEGQEにおける厳密な最悪ケース毎のサンプル複雑度境界を導出し,候補ゲート数に対数依存を示す。
論文 参考訳（メタデータ） (2026-02-19T18:40:35Z) - Performance Guarantees for Quantum Neural Estimation of Entropies [31.955071410400947]
量子神経推定器(QNE)は古典的ニューラルネットワークとパラメトリズド量子回路を組み合わせたものである。
非漸近的エラーリスク境界の形で測定された相対エントロピーのQNEの形式的保証について検討する。
我々の理論は、測定された相対エントロピーに対するQNEの原則的実装を促進することを目的としている。
論文 参考訳（メタデータ） (2025-11-24T16:36:06Z) - Low Cost Bayesian Experimental Design for Quantum Frequency Estimation with Decoherence [45.74830585715129]
WES: 低コスト適応型ベイズ実験設計のためのウィンドウ拡張戦略を紹介する。
我々は、最適化のオーバーヘッドを低く抑え、スケーリング問題を抑え、高い並列性を実現するために、実証的なコスト削減技術を採用している。
数値シミュレーションにより、WESはハイゼンベルク限界を飽和させ、最も信頼性の高い性能と学習速度を提供することが示された。
論文 参考訳（メタデータ） (2025-08-09T23:41:58Z) - Non-unitary Variational Quantum Eigensolver with the Localized Active Space Method and Cost Mitigation [0.33923727961771083]
ハードウェア効率の良い局所化能動空間自己整合体(SCFS)は完全能動空間自己整合体(CFF)を近似する
HEAは安価で浅い回路を提供するが、しばしば必要な相関を捉えることができない。
LAS-nuVQEは、H4と正方形のシクロブタジエンの両方で少数の門 (70) で、交差相関を回復し、化学的精度に達することが示されている。
論文 参考訳（メタデータ） (2025-01-23T04:18:57Z) - Subspace-Based Local Compilation of Variational Quantum Circuits for Large-Scale Quantum Many-Body Simulation [0.0]
本稿では,時間進化演算子をコンパイルするためのハイブリッド量子古典アルゴリズムを提案する。
精度を保ちながら、トロッタライゼーションに比べて95%の回路深さの低減を実現している。
我々は,LSVQCを用いて,短期量子コンピューティングアーキテクチャ上での量子シミュレーションの実行に必要なゲート数を推定する。
論文 参考訳（メタデータ） (2024-07-19T09:50:01Z) - Quantum Gate Generation in Two-Level Open Quantum Systems by Coherent
and Incoherent Photons Found with Gradient Search [77.34726150561087]
我々は、非コヒーレント光子によって形成される環境を、非コヒーレント制御によるオープン量子系制御の資源とみなす。
我々は、ハミルトニアンにおけるコヒーレント制御と、時間依存デコヒーレンス率を誘導する散逸器における非コヒーレント制御を利用する。
論文 参考訳（メタデータ） (2023-02-28T07:36:02Z) - Efficient quantum imaginary time evolution by drifting real time
evolution: an approach with low gate and measurement complexity [7.1064035036390925]
量子想像時間進化(Quantum imaginary time evolution、QITE)は、ハミルトニアンの固有値や固有状態を見つけるための有望な候補の1つである。
最初のQITE提案(Phys. 16, 205-210 (2020))は、実時間進化による想像上の時間進化を近似したもので、パウリ作用素プールとトロッタライゼーションの大きさによる大きな回路深さと測定に悩まされている。
本稿では,Phys. Lett 123, 070503 LiH] にインスパイアされた時間依存ドリフト方式を提案する。
論文 参考訳（メタデータ） (2022-03-21T16:41:27Z) - Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。
3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
論文 参考訳（メタデータ） (2021-08-03T17:49:09Z)
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。