論文の概要: Quantum Evolution Networks Learn Long-Time Coherent Dynamics in Driven Spin Registers

• arxiv url: http://arxiv.org/abs/2610.32156v1
• Date: Fri, 23 Oct 2026 04:49:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.39007
• Title: Quantum Evolution Networks Learn Long-Time Coherent Dynamics in Driven Spin Registers
• Title（参考訳）: 量子進化ネットワークは、駆動スピンレジスタにおける長時間コヒーレントダイナミクスを学習する
• Abstract要約: 量子進化ネットワーク(QEN)は、周期的に駆動される3スピンレジスタのための物理パラメータと時間を使ってプロパゲータを完成させる。 横方向駆動では、入力状態とサンプリング時間の5パーセントの忠実度は256のホールドアウト構成で24時間に0.9947である。 スペクトル分解された終端残差の先行順序解析は、2次またはスペクトル平均推定よりも正確に多サイクルプロセス誤差を予測する。
• 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: Predicting and controlling driven quantum systems requires access to dynamics across physical parameters, initial states, and evolution times. A reusable neural model must capture this dependence while preserving unitary structure and maintaining accuracy over long-time coherent evolution. Here we introduce Quantum Evolution Networks (QENs), which map physical parameters and time to complete propagators for periodically driven three-spin registers. Shared networks learn unitary one-period propagators and compatible within-period paths, enabling predictions through known periodic composition without query-specific numerical integration. For transverse driving, the fifth-percentile fidelity, minimized over input states and sampled times, is 0.9947 over 24 periods on 256 held-out configurations. A leading-order analysis of spectrally resolved endpoint residuals predicts multicycle process error more accurately than quadratic or spectrum-averaged estimates. Interventions at matched single-period infidelity produce orders-of-magnitude differences in multicycle infidelity, demonstrating the importance of residual orientation. Compatible component replacements identify how endpoint and within-period approximations limit reconstruction accuracy. These results establish a reusable neural representation of the studied propagator families and connect its learned residual structure to its observed long-time reliability.
• Abstract（参考訳）: 駆動量子システムの予測と制御には、物理パラメータ、初期状態、進化時間にまたがるダイナミクスへのアクセスが必要である。 再利用可能なニューラルモデルは、単体構造を保持し、長期間のコヒーレント進化の精度を維持しながら、この依存を捉える必要がある。 ここでは、物理パラメータと時間を周期的に駆動される3スピンレジスタのプロパゲータにマッピングする量子進化ネットワーク(QEN)を紹介する。 共有ネットワークは、一周期一周期プロパゲータと周期内経路の互換性を学習し、クエリ固有の数値積分なしで既知の周期合成による予測を可能にする。 横方向駆動では、入力状態とサンプリング時間の5パーセントの忠実度は256のホールドアウト構成で24時間に0.9947である。 スペクトル分解された終端残差の序列解析は、2次またはスペクトル平均推定よりも正確に多サイクルプロセス誤差を予測する。 一致した単周期不整合での干渉は多サイクル不整合のオーダー・オブ・マグニチュードの違いをもたらし、残留方向の重要性を示す。 互換性のあるコンポーネント置換は、エンドポイントと周期内近似が再構成精度を制限する方法を特定する。 これらの結果は、研究されたプロパゲーターファミリーの再利用可能な神経表現を確立し、その学習された残基構造を観察された長期間の信頼性に結びつける。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Rigorous Time-dependent Hamiltonian Learning via Continuous Weak Measurements [0.0]
  連続的な弱測定記録から時間依存多体ハミルトニアンを学習するためのプロトコルを開発する。 我々は,有限サンプリング統計ノイズを反復状態更新の決定論的バイアスからきれいに分離する,明示的な再構成エラー境界とサンプル複雑定理を導出する。
  論文  参考訳（メタデータ） (2026-07-17T15:20:57Z)
• Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing [4.62541204592513]
  本稿では,エラー関連自己回帰予測の時間的制限を克服する構造的不確実性モジュールであるTegerを紹介する。 Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。
  論文  参考訳（メタデータ） (2026-05-18T08:51:33Z)
• Determinism in the Undetermined: Deterministic Output in Charge-Conserving Continuous-Time Neuromorphic Systems with Temporal Stochasticity [15.346559359976412]
  我々は、ニューラルネットワーク(SNN)をスパイクするための統合された連続時間フレームワークを開発する。 この写像は非巡回ネットワークにおけるスパイクタイミングに厳密に不変であることを示す。 我々はこれらの電荷保存SNNと量子化された人工ニューラルネットワークの正確な表現対応を確立する。
  論文  参考訳（メタデータ） (2026-03-16T23:00:04Z)
• Continuous-time parametrization of neural quantum states for quantum dynamics [17.826631514127012]
  ニューラル量子状態は、多体量子力学をシミュレートするための有望なフレームワークである。 我々は、制限されたボルツマンマシンを瞬時ニューラルネットワークアーキテクチャとして用いて、正確な時間進化を実証する。
  論文  参考訳（メタデータ） (2025-07-11T09:05:16Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
  本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。 実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
  論文  参考訳（メタデータ） (2025-04-29T14:41:41Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。