論文の概要: Benchmarking Quantum Convolutional Neural Networks and their classical surrogates on long-range strongly correlated models
- arxiv url: http://arxiv.org/abs/2611.00255v1
- Date: Fri, 30 Oct 2026 18:35:09 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:36:47.222636
- Title: Benchmarking Quantum Convolutional Neural Networks and their classical surrogates on long-range strongly correlated models
- Title（参考訳）: 長距離強相関モデルにおける量子畳み込みニューラルネットワークとその古典的サロゲートのベンチマーク
- Abstract要約: 位相微分のための量子畳み込みニューラルネットワーク(QCNN)とその古典的サロゲートをベンチマークする。
本研究では,近似精度と結果のパウリ展開の大きさとのトレードオフをトラルニケーションパラメータがどのように制御するかを検討する。
- 参考スコア（独自算出の注目度）: 0.5131152350448099
- License:
- Abstract: We benchmark quantum convolutional neural networks (QCNNs) and their classical surrogates for phase differentiation in one-dimensional strongly correlated systems with beyond-nearest-neighbour terms. Using an anisotropic Heisenberg spin chain and an extended $t$-$t'$ Fermi-Hubbard model as representative spin and fermionic testbeds, we train QCNN classifiers on labelled ground-state datasets and map out finite-size phase diagrams. In hybrid setups, we employ Pauli backpropagation to express the QCNN measurement as a weighted sum of Pauli-string expectation values to be evaluated directly on input states, and study how truncation parameters control the trade-off between approximation accuracy and the size of the resulting Pauli expansion. Robust convergence is achieved for the Heisenberg model under aggressive truncation, whereas the Fermi-Hubbard model requires substantially looser thresholds, resulting in a sharp growth in retained Pauli strings and evaluation cost. Our results contribute to charting where hybrid quantum-classical training is viable for learning strongly correlated quantum states, and provide practical guidance for choosing truncation regimes in Pauli backpropagation-based surrogates.
- Abstract（参考訳）: 我々は量子畳み込みニューラルネットワーク(QCNN)とその古典的サロゲートを1次元の強相関系における相微分のためにベンチマークする。
異方性ハイゼンベルクスピンチェーンと拡張された$t$-$t'$ Fermi-Hubbardモデルを代表スピンおよびフェルミオンテストベッドとして使用し、ラベル付き基底状態データセット上でQCNN分類器を訓練し、有限サイズの位相図をマップする。
ハイブリッド・セットアップでは,QCNN測定の重み付け和としてパウリのバックプロパゲーションを用いて入力状態に基づいて直接評価し,演算パラメータが近似精度と結果のパウリ展開の大きさとのトレードオフを制御するかを検討する。
一方、フェルミ・ハッバードモデルは、かなりゆるやかなしきい値を必要とし、保持されたパウリ弦の急激な成長と評価コストをもたらす。
本研究は, 相関の強い量子状態の学習にハイブリッド量子古典的学習が有効であるチャート作成に寄与し, パウリのバックプロパゲーションに基づくサロゲートにおいて, トランケーション状態を選択するための実践的ガイダンスを提供する。
関連論文リスト
- Generalized $m$-body mean-field projections for classical simulation of $d$-dimensional Heisenberg-picture dynamics [0.34998703934432673]
一般化された$m$-body平均場投影に基づく状態適応型パウリ重伝播法を開発した。
低体近似の精度に必要かつ十分な限界を導出する。
相互作用スピンが80$の3次元システムでは、この手法は強いボディオーダー収束を実現する。
論文 参考訳（メタデータ） (2026-10-15T15:29:42Z) - Stochastic Pauli-path simulator for large-scale quantum optimization [57.179828941706006]
パウリパスシミュレータは、低磁力状態における量子回路の大規模古典的シミュレーションへの有望な経路を提供する。
既存のアプローチでは、勾配ベースの最適化をネイティブにサポートしていないか、あるいは厳しい勾配バイアスに悩まされている。
本稿では,大規模量子最適化のための計算フレームワークであるPauli-path simulator (SPPS)を提案する。
論文 参考訳（メタデータ） (2026-07-20T10:43:44Z) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - Adapting Quantum Machine Learning for Energy Dissociation of Bonds [6.247064060111601]
ボンドエネルギー予測のための量子および古典的機械学習モデルの比較ベンチマークを示す。
トップパフォーマンス量子モデル(QCNN, QRF)は、古典的なアンサンブルやディープネットワークの予測精度と堅牢性に一致する。
論文 参考訳（メタデータ） (2025-10-08T01:32:26Z) - Improved Ground State Estimation in Quantum Field Theories via Normalising Flow-Assisted Neural Quantum States [0.0]
ニューラル量子状態(NQS)を正規化フローベースサンプリング器で拡張するハイブリッド変分フレームワークを提案する。
提案手法は,ヒルベルト空間の離散化された振幅支持部分空間を対象とする連続流れモデルを学習することにより,サンプルタスクを変分アンサッツから分離する。
論文 参考訳（メタデータ） (2025-06-13T18:00:01Z) - Programming optical-lattice Fermi-Hubbard quantum simulators [39.58317527488534]
我々は異なるフェルミオンモデルのための基底状態準備アルゴリズムを開発した。
特に,我々はFermi-Hubbardモデルの基底状態を作成するために,変分プリコンパイルされた量子回路を最初に設計した。
本稿では,変分フェルミオン回路を用いた仮想時間進化の近似法について論じる。
論文 参考訳（メタデータ） (2025-02-07T16:40:58Z) - First-Order Phase Transition of the Schwinger Model with a Quantum Computer [0.0]
格子シュウィンガーモデルにおける一階位相遷移を位相的$theta$-termの存在下で検討する。
本研究では, モデルの位相構造を明らかにする観測可能な電場密度と粒子数が, 量子ハードウェアから確実に得られることを示す。
論文 参考訳（メタデータ） (2023-12-20T08:27:49Z) - Neural-network quantum states for ultra-cold Fermi gases [49.725105678823915]
この研究は、メッセージパッシングアーキテクチャに基づいたバックフロー変換を含む、新しいPfaffian-Jastrowニューラルネットワーク量子状態を導入する。
逆スピン対分布関数による強いペアリング相関の出現を観察する。
この結果から, ニューラルネットワーク量子状態は, 超低温フェルミガスの研究に有望な戦略をもたらすことが示唆された。
論文 参考訳（メタデータ） (2023-05-15T17:46:09Z)
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。