論文の概要: GENIE: learned quantum circuits as embedding impurity solvers, and why compactness, not correlation strength, decides when they work
- arxiv url: http://arxiv.org/abs/2610.41957v1
- Date: Fri, 30 Oct 2026 16:09:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.804907
- Title: GENIE: learned quantum circuits as embedding impurity solvers, and why compactness, not correlation strength, decides when they work
- Title（参考訳）: GENIE:不純物解法を埋め込んだ量子回路を学習し、相関強度ではなくコンパクトさがいつ働くかを決定する理由
- Abstract要約: 生成変換器がサンプリング回路を学習するDMET不純物解法であるGENIEを紹介する。
N2, 水素鎖, 水, 水素環では, genIEを同じ決定的予算と古典的選択的構成相互作用で比較する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sample-based quantum diagonalization has been used as an impurity solver in density matrix embedding theory (DMET), but always with fixed-form circuits and without comparison to classical selection at the same subspace size. We introduce GENIE, a DMET impurity solver in which a generative transformer learns the sampling circuit, trained on the quantum-selected configuration interaction energy. On N2, hydrogen chains, water and a hydrogen ring, we compare GENIE at equal determinant budget with classical selected configuration interaction (CIPSI, ASCI, heat-bath CI) and with DMET combined with sample-based quantum diagonalization (SQD). GENIE selects: for N2 at 200 determinants it is within a factor of 1.7 of CIPSI and 25 to 1000 times more accurate than the determinants a fixed circuit actually samples, while standard SQD reaches good energies mainly by filling the subspace. GENIE does not beat the best classical selection, and its circuits require fault-tolerant hardware. Its failures are governed by the compactness of the wavefunction relative to the budget, not by correlation strength. A cheap estimate from coupled-cluster amplitudes predicts this compactness. A router built on it never recommended GENIE where it then failed, apart from seed-to-seed variance, and it transferred unchanged to a blind test on new systems. We also identify two benchmarking pitfalls that can create apparent quantum advantages of one to two orders of magnitude.
- Abstract（参考訳）: サンプルベースの量子対角化は密度行列埋め込み理論(DMET)における不純物解法として使われてきたが、常に固定形回路で、同じ部分空間サイズでの古典的選択と比較してはならない。
生成変換器がサンプリング回路を学習し、量子選択された構成相互作用エネルギーに基づいて学習するDMET不純物解法であるGENIEを紹介する。
N2, 水素鎖, 水, 水素環では, genIEと古典的な構成相互作用(CIPSI, ASCI, Heat-bath CI)およびDMETとサンプルベース量子対角化(SQD)を比較した。
GENIE は、200個の行列式で N2 が CIPSI の 1.7 の範囲内であり、固定回路が実際にサンプリングする行列式よりも 25 から 1000 倍正確であるのに対して、標準の SQD は、主に部分空間を埋めることによって、優れたエネルギーを得る。
GENIEは最高の古典的選択には勝っておらず、その回路はフォールトトレラントなハードウェアを必要とする。
その失敗は、相関強度ではなく、予算に対する波動関数のコンパクトさによって制御される。
結合クラスタ振幅からの安価な推定は、このコンパクトさを予測する。
ルータ上に構築されたルータは、シード・ツー・シードのばらつきを除いて、どの場所で失敗したかを推奨せず、新しいシステムの盲点テストに移行した。
また、2つのベンチマークの落とし穴を見極め、1桁から2桁の量子的優位性を生み出すことができる。
関連論文リスト
- Explicitly correlated ground states with a feedback-free variational hybrid algorithm [0.0]
本稿では,量子プロセッサが低エンタングルメント運動量空間行列の積状態を作成するハイブリッドアルゴリズムを提案する。
測定ベースはコレレータとは独立であるため、コレレータは完全に古典的な後処理で最適化することができる。
論文 参考訳（メタデータ） (2026-10-13T16:38:55Z) - Quantum Wavefunction Augmentation via Variational Autoencoders [0.0]
変分オートエンコーダ(Q-WAVE)による量子波動関数拡張について紹介する。
Q-WAVE(Q-WAVE)は、SqDRIFT Krylov回路でサンプリングされた行列式と、構成相互作用単体とCISD(Doubles)行列式を組み合わせたハイブリッド手法である。
52キュービットのシステムでは、$textHtextO$と$textN$textCr$のサブミリハート精度とフル構成を示す。
論文 参考訳（メタデータ） (2026-09-07T20:49:34Z) - Verifiable quantum advantage in extremely low depth [52.51019642214249]
浅量子回路では解けない問題を格子ベースの仮定で解くのが困難である。
浅量子回路は、解を効率よく検証できる古典的な難題を解くのに十分な構造を持っていることを証明している。
論文 参考訳（メタデータ） (2026-09-01T15:54:34Z) - The ZZ feature map induces a signless Laplacian metric: a closed-form classical surrogate for quantum kernel regression [0.0]
我々は、誘導核が小さい帯域幅の状態では、先行順に、計量 M = I + pi2 Q の異方性ガウス核であることを証明する。
対応する古典的カーネルは、適合パラメータを必要とせず、量子シミュレーションも必要としない。
論文 参考訳（メタデータ） (2026-08-29T19:59:00Z) - Machine learning for sample-based quantum diagonalization: generative configuration recovery and the classical-simulability frontier [0.0]
我々は、生成的および学習的セレクタのエコシステムを概観し、1つの顕著なギャップを露呈する: テール発見のために構築された報酬-帰属的生成-フロー-ネットワークの提案者。
発表されている同活性空間の比較、強力な古典的選択CIマッチ、量子サンプリングサブスペースの打ち負かし、フラッグシップの単一層回路は、現在、古典的エネルギー推定を許容している。
私たちは量子実験から学び、古典的なサンプル複雑度の下限は無条件決定因子であり、量子優位性が証明可能であるがまだ化学に橋渡しされていない隣のフロンティアである。
論文 参考訳（メタデータ） (2026-08-05T18:15:19Z) - SpinGQE: A Generative Quantum Eigensolver for Spin Hamiltonians [42.007194397302825]
基底状態探索は量子コンピューティングの中心である。
我々は、生成量子固有ソルバフレームワークをスピンハミルトニアンに拡張したSpinGQEを提案する。
我々は、低エネルギー状態を生成する量子回路について学ぶために、トランスフォーマーベースのデコーダを用いる。
論文 参考訳（メタデータ） (2026-03-25T13:38:15Z) - Cluster-Adaptive Sample-Based Quantum Diagonalization for Strongly Correlated Systems [0.0]
強い相関を持つ電子系は本質的に多重構成波動関数を示す。
量子コンピューティングは、これらの制限を緩和するための有望なルートとして登場した。
クラスタ適応型SQDを導入し、教師なし学習を用いてサンプルをクラスタ化する。
論文 参考訳（メタデータ） (2026-03-10T08:24:08Z) - Characterizing randomness in parameterized quantum circuits through expressibility and average entanglement [39.58317527488534]
量子回路(PQC)は、その主応用の範囲外ではまだ完全には理解されていない。
我々は、量子ビット接続性に関する制約の下で、PQCにおけるランダム状態の生成を分析する。
生成した状態の分布の均一性の増加と絡み合いの発生との間には,どれだけ急激な関係があるかを示す。
論文 参考訳（メタデータ） (2024-05-03T17:32:55Z) - Automatic and effective discovery of quantum kernels [41.61572387137452]
量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。
本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。
その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
論文 参考訳（メタデータ） (2022-09-22T16:42:14Z) - Quantum-optimal-control-inspired ansatz for variational quantum
algorithms [105.54048699217668]
変分量子アルゴリズム (VQA) の中心成分は状態準備回路(英語版)であり、アンザッツ(英語版)または変分形式(英語版)とも呼ばれる。
ここでは、対称性を破るユニタリを組み込んだ「解」を導入することで、このアプローチが必ずしも有利であるとは限らないことを示す。
この研究は、より一般的な対称性を破るアンスの開発に向けた第一歩となり、物理学や化学問題への応用に繋がる。
論文 参考訳（メタデータ） (2020-08-03T18:00:05Z)
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。