論文の概要: Scalable Neural Wave Functions via Information Mixing and Hierarchical Network Architectures

• arxiv url: http://arxiv.org/abs/2610.30257v1
• Date: Wed, 21 Oct 2026 18:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.092546
• Title: Scalable Neural Wave Functions via Information Mixing and Hierarchical Network Architectures
• Title（参考訳）: 情報混合と階層型ネットワークアーキテクチャによるスケーラブルなニューラルウェーブ関数
• Abstract要約: 本研究では,多層パーセプトロン(MLP)ミキサモデルを波動関数アンサッツとして検討する。 軽量な混合戦略を通じて、情報をグローバルかつローカルに混合することにより、このアーキテクチャは、長距離相関を低計算コストで捉える能力を組み合わせることを約束する。
• 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: Numerically simulating quantum many-body systems is one of the central challenges in modern physics, as the exponential growth of the Hilbert space with system size renders large-scale exact solutions intractable. Over the past decade, generative artificial neural networks have emerged as powerful wave function ansätze that have powered advances in finding ground state representations, reconstructing quantum states from data, and modeling dynamics in quantum many-body systems. While recurrent neural networks (RNNs) are computationally efficient, the recurrent nature can limit their capacity to capture long-range correlations. Transformer models with their underlying self-attention mechanism excel at capturing these long-range correlations, but incur increased computational requirements, restricting applications to small physical systems. In this work, we address these limitations by exploring the multi-layer perceptron (MLP) mixer model as a wave function ansatz. By mixing information globally and locally through the system via a computationally lightweight mixing strategy, this architecture promises to combine the ability to capture long-range correlations with low computational costs. We benchmark the model on finding ground state representations of two-dimensional quantum many-body systems in various phases of matter and investigate the behavior of representational accuracy and computational efficiency for different physical system sizes. By comparing its performance to RNNs and transformer models with single-site and patched input definitions, we demonstrate that the MLP mixer architecture performs competitively with state-of-the-art network models. We further show that a hierarchical combination of this model with the transformer model outperforms other state-of-the-art architectures for large-scale quantum systems, opening new avenues for investigating quantum phases of matter.
• Abstract（参考訳）: 量子多体系の数値シミュレーションは現代物理学における中心的な課題の一つであり、ヒルベルト空間がシステムサイズで指数関数的に成長すると、大規模で正確な解が難解となる。 過去10年にわたって、生成する人工ニューラルネットワークは、基底状態表現の発見、データからの量子状態の再構築、量子多体システムにおけるダイナミクスのモデリングにおいて、強力な波動関数アンセッツェとして出現してきた。 リカレントニューラルネットワーク(RNN)は計算効率が良いが、リカレントな性質は長距離相関を捉える能力を制限することができる。 トランスフォーマーモデルとその基盤となる自己認識機構は、これらの長距離相関を捉えるのに優れるが、計算要求が増大し、小さな物理系への応用が制限される。 本研究では,多層パーセプトロン(MLP)ミキサモデルを波動関数アンサッツとして探索することにより,これらの制約に対処する。 計算量的に軽量な混合戦略を通じて,情報をグローバルかつローカルに混合することにより,長距離相関と計算コストの低さを両立させることを約束する。 本研究では,物質相における2次元量子多体系の基底状態表現の探索モデルについてベンチマークを行い,物理系サイズが異なる場合の表現精度と計算効率の挙動について検討する。 MLPミキサーアーキテクチャは,その性能をRNNやトランスフォーマーモデルと比較することにより,現状のネットワークモデルと競合することを示す。 さらに、このモデルと変圧器モデルとの階層的な組み合わせは、大規模量子システムにおける他の最先端アーキテクチャよりも優れており、物質の量子相を研究するための新たな道を開くことを示している。

関連論文リスト

• Quantum Noise Tomography with Physics-Informed Neural Networks [0.15229257192293197]
  物理インフォームドニューラルネットワークを用いたリンドブラッド断層撮影のための新しいフレームワークを提案する。 本手法は,支配主方程式を学習することにより,雑音量子系の完全微分可能なディジタル双対を生成する。
  論文  参考訳（メタデータ） (2025-09-15T13:30:50Z)
• Solving the Hubbard model with Neural Quantum States [66.55653324211542]
  ダッピングされた2次元ハバードモデルに対する最先端結果について検討した。 NQSアンサッツの異なるアテンションヘッドは、異なるスケールで直接相関を符号化することができる。 我々の研究は、マルチフェミオンシステムに挑戦する強力なツールとしてNQSを確立します。
  論文  参考訳（メタデータ） (2025-07-03T14:08:25Z)
• A short trajectory is all you need: A transformer-based model for long-time dissipative quantum dynamics [0.0]
  深層人工知能ニューラルネットワークは、散逸環境に結合した量子システムの長時間の人口動態を予測することができることを示す。 我々のモデルは、リカレントニューラルネットワークのような古典的な予測モデルよりも正確です。
  論文  参考訳（メタデータ） (2024-09-17T16:17:52Z)
• 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)
• Coherent Feed Forward Quantum Neural Network [2.1178416840822027]
  量子ニューラルネットワーク(QNN)に焦点をあてた量子機械学習は、いまだに膨大な研究分野である。 適応可能な中間層とノードの観点から,従来のFFNNの汎用性とシームレスに整合するボナフェイドQNNモデルを提案する。 本研究では,診断乳がん(Wisconsin)やクレジットカード不正検出データセットなど,さまざまなベンチマークデータセットを用いて提案モデルを検証した。
  論文  参考訳（メタデータ） (2024-02-01T15:13:26Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Variational learning of quantum ground states on spiking neuromorphic hardware [0.0]
  高次元サンプリング空間と過渡自己相関は、難しい計算ボトルネックを伴うニューラルネットワークに直面する。 従来のニューラルネットワークと比較して、物理モデルデバイスは高速で効率的で本質的に並列な基板を提供する。 変動エネルギー最小化による量子スピンモデルの基底状態を表すニューロモルフィックチップの能力を示す。
  論文  参考訳（メタデータ） (2021-09-30T14:39:45Z)

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。