論文の概要: Learning Quantum Hamiltonians from the Dynamical Structure Factor
- arxiv url: http://arxiv.org/abs/2611.15859v1
- Date: Wed, 11 Nov 2026 19:00:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.257241
- Title: Learning Quantum Hamiltonians from the Dynamical Structure Factor
- Title(参考訳): 動的構造因子から量子ハミルトニアンを学ぶ
- Abstract要約: 量子マグネットにおける2点相関データを取得する動的構造因子(DSF)から量子ハミルトニアンを学習する問題について検討する。
DSFは量子ハミルトニアンの幅広いクラスを効率的に再構築するのに十分な情報を符号化している。
このフレームワークは、一般的な実験データから実践的で堅牢なハミルトン学習を確立し、中性子散乱実験に即座に適用することができる。
- 参考スコア(独自算出の注目度): 0.11194078980312787
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying the microscopic interactions governing a quantum system is essential for developing predictive theories of materials and validating quantum technologies. Despite considerable progress, learning Hamiltonians from realistic experimental data remains a challenge. Motivated by neutron scattering and quantum simulations, we study the problem of learning a quantum Hamiltonian from the dynamical structure factor (DSF), which captures two-point correlation data in quantum magnets. We show that the DSF encodes sufficient information to efficiently reconstruct broad classes of quantum Hamiltonians. Our approach exploits simple relations between low-order spectral moments of the DSF and microscopic couplings, giving rise to three complementary Hamiltonian tomography protocols based on the high-temperature expansion, strong-field polarization, and the fluctuation-dissipation theorem, respectively. The framework we introduce establishes practical and robust Hamiltonian learning from common experimental data, with potentially immediate application to neutron scattering experiments.
- Abstract(参考訳): 量子システムの微視的相互作用を同定することは、物質の予測理論を開発し、量子技術の検証に不可欠である。
かなりの進歩にもかかわらず、現実的な実験データからハミルトン人を学ぶことは依然として困難である。
中性子散乱と量子シミュレーションによって動機づけられた量子ハミルトニアンを動的構造因子(DSF)から学習し、量子マグネット内の2点相関データをキャプチャする問題を研究する。
DSFは量子ハミルトニアンの幅広いクラスを効率的に再構築するのに十分な情報を符号化している。
提案手法は, DSFの低次スペクトルモーメントと微視的カップリングの単純な関係を利用して, 高温膨張, 強磁場偏光, ゆらぎ散逸定理に基づく3つの相補的なハミルトントモグラフィープロトコルを導出した。
このフレームワークは、一般的な実験データから実践的で堅牢なハミルトン学習を確立し、中性子散乱実験に即座に適用することができる。
関連論文リスト
- 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) - Hamiltonian learning via quantum Zeno effect [0.0]
局所的相互作用からなるハミルトン作用素に対するスケーラブルで実験的なハミルトン学習プロトコルを提案する。
理論的性能保証を導出し,IBMの超伝導量子ハードウェアへの実験的実装を通じて,数値シミュレーションによるプロトコルの実現可能性を示す。
論文 参考訳(メタデータ) (2025-09-19T07:45:25Z) - Multi-Photon Quantum Rabi Models with Center-of-Mass Motion [45.73541813564926]
本稿では,多価ロンバダの原子を空洞内で記述するための厳密な第二量子化フレームワークを提案する。
このアプローチの重要な特徴は、ハミルトニアン平均化理論の原子場作用素への体系的応用である。
顕著な発見は、粒子-粒子相互作用の出現である。
論文 参考訳(メタデータ) (2025-07-07T09:50:48Z) - Hamiltonian-learning quantum magnets with non-local impurity tomography [0.0]
量子物質の不純物は、複雑な状態の学習に成功している。
原子工学的な量子マグネットからハミルトンパラメータを推定するために、教師付き機械学習技術がどのように用いられるかを示す。
論文 参考訳(メタデータ) (2024-12-10T16:57:07Z) - 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) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳(メタデータ) (2023-06-29T18:00:01Z) - Robust Hamiltonian Engineering for Interacting Qudit Systems [50.591267188664666]
我々は、強く相互作用するキューディット系のロバストな動的疎結合とハミルトン工学の定式化を開発する。
本研究では,これらの手法を,スピン-1窒素空洞中心の強相互作用・無秩序なアンサンブルで実験的に実証した。
論文 参考訳(メタデータ) (2023-05-16T19:12:41Z) - Quantum computation of molecular structure using data from
challenging-to-classically-simulate nuclear magnetic resonance experiments [0.0]
スピンスピナーの時間分解測定から分子核スピンハミルトニアンを推定するための量子アルゴリズムを提案する。
量子コンピュータ上で,対応する学習問題のヤコビアンとヘッセンを直接推定する能力を示す。
論文 参考訳(メタデータ) (2021-09-05T20:20:49Z)
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。