論文の概要: Accelerating Quantum-Classical Auxiliary-Field Quantum Monte Carlo with Shadow-Trained Neural Quantum States
- arxiv url: http://arxiv.org/abs/2611.08129v1
- Date: Thu, 05 Nov 2026 14:58:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.551489
- Title: Accelerating Quantum-Classical Auxiliary-Field Quantum Monte Carlo with Shadow-Trained Neural Quantum States
- Title（参考訳）: シャドウトレーニングされた量子状態を持つ量子古典的補助量子モンテカルロ加速
- Abstract要約: 補助場量子モンテカルロ (QC-AFQMC) は、古典的AFQMCアルゴリズムの精度を向上させるために量子コンピュータ上に準備された試行状態を使用する。
ここでは、マッチゲートシャドウデータを対称性に制約された、ノイズ対応、自己回帰型ニューラル量子状態(NQS)に蒸留する。
NQSは、マッチゲートの影を繰り返すことなくオーバーラップ、力バイアス、局所エネルギーを評価する。
- 参考スコア（独自算出の注目度）: 1.959072917385425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum-classical auxiliary-field quantum Monte Carlo (QC-AFQMC) uses a trial state prepared on a quantum computer to improve the accuracy of the classical AFQMC algorithm. State-of-the-art QC-AFQMC represents this state with matchgate shadows, so every trial-walker overlap and local energy must be averaged over many snapshots, making this classical computation a bottleneck. Here we distill the matchgate shadow data into a symmetry-constrained, noise-aware, autoregressive transformer neural quantum state (NQS). Used as the AFQMC trial state, the NQS evaluates overlaps, force biases, and local energies without repeatedly summing over the matchgate shadows. For a nickel-catalyzed oxidative-addition reaction, the noise-awareness of our NQS design successfully recovers the ideal-upCCD AFQMC barrier and reaction energy within statistical uncertainty, while standard QC-AFQMC execution with the same shadow data yields qualitatively inaccurate results as a result of hardware noise. Since the shadow data are needed only for training, the estimated classical cost for the nickel system falls by approximately 99% relative to our previous QC-AFQMC implementation.
- Abstract（参考訳）: 量子古典的補助場量子モンテカルロ(QC-AFQMC)は、古典的AFQMCアルゴリズムの精度を向上させるために量子コンピュータ上に準備された試行状態を使用する。
最先端のQC-AFQMCはこの状態をマッチゲート影で表しているため、全てのトライアル・ウォーカーが重複し、局所的なエネルギーが多くのスナップショット上で平均化されなければならないため、古典的な計算はボトルネックとなる。
ここでは、マッチゲートシャドウデータを対称性に制約された、ノイズ対応、自己回帰型ニューラル量子状態(NQS)に蒸留する。
AFQMC試験状態として使用されるNQSは、マッチゲートの影を繰り返すことなくオーバーラップ、力バイアス、局所エネルギーを評価する。
ニッケル触媒による酸化付加反応では,NQS設計のノイズ認識により,統計的不確実性下での理想的CCD AFQMCバリアと反応エネルギーが回復し,同じシャドウデータによる標準QC-AFQMCの実行は,ハードウェアノイズによる定性的に不正確な結果をもたらす。
シャドーデータはトレーニングにのみ必要であるため,従来のQC-AFQMC実装と比較して,ニッケルシステムの古典的コストはおよそ99%低下する。
関連論文リスト
- Noise-Resistant Feature-Aware Attack Detection Using Quantum Machine Learning [43.509065918669314]
連続可変量子鍵分布(continuous-variable quantum key distribution, CV-QKD)は、無条件のセキュリティ保証を提供する量子通信技術である。
高速CV-QKDシステムのセキュリティを保護する量子機械学習(QML)ベースの攻撃検出フレームワーク(QML-ADF)を提案する。
論文 参考訳（メタデータ） (2026-01-11T03:40:45Z) - 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) - Excited-CAFQA: A classical simulation bootstrap for the variational estimation of molecular excited states [0.0]
変分量子アルゴリズム(VQA)は、現在の量子デバイスの実装に適した反復アルゴリズムである。
CAFQAプロトコルは、状態空間全体の古典的にシミュレート可能なサブセットを通して離散的な検索を実行する。
Excited-CAFQAは、H2およびHeH+分子系の様々な結合長および励起状態に対して90から99%の精度を達成する。
論文 参考訳（メタデータ） (2025-09-24T22:01:23Z) - Quantum-Classical Auxiliary Field Quantum Monte Carlo with Matchgate Shadows on Trapped Ion Quantum Computers [3.050319942500791]
量子古典的補助場量子モンテカルロ(QC-AFQMC)アルゴリズムを用いて化学反応障壁をモデル化するためのエンドツーエンドワークフローを実証する。
アルゴリズムの革新とGPUアクセラレーションを効率よく実現し,数桁の高速化を実現している。
この研究は、量子デバイス上での実用的な量子化学シミュレーションへの一歩である。
論文 参考訳（メタデータ） (2025-06-27T17:33:52Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。
本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - Bayesian Quantum Amplitude Estimation [46.03321798937855]
量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。
耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。
本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
論文 参考訳（メタデータ） (2024-12-05T18:09:41Z) - Evaluating a quantum-classical quantum Monte Carlo algorithm with Matchgate shadows [5.610728118087272]
近年の研究では、クリフォード影を用いた量子古典量子モンテカルロ(QC-QMC)アルゴリズムが提案され、フェルミオンハミルトニアンの基礎状態が決定された。
このアプローチでは、固有のノイズレジリエンスと、純粋に古典的な手法に比べて精度が向上する可能性を示した。
本研究では,最近開発されたMatchgate Shadows技術を用いたQC-QMCの改良手法について検討する。
論文 参考訳（メタデータ） (2024-04-28T20:10:49Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Quantum computing quantum Monte Carlo with hybrid tensor network for electronic structure calculations [3.642843803494657]
本稿では,QC-QMCとハイブリッドテンソルネットワークを組み合わせて,QC-QMCの適用性を1つの量子デバイスサイズを超えて拡張するアルゴリズムを提案する。
本アルゴリズムは, ハイゼンベルク連鎖モデル, グラファイト系ハバードモデル, 水素平面モデル, モノアリルビイミダゾールをフル構成相互作用QMCを用いて評価した。
論文 参考訳（メタデータ） (2023-03-31T14:38:40Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z)
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。