論文の概要: TGen-SQD: Physics-Informed Transferable Configuration Generator for Sample-Based Quantum Diagonalization
- arxiv url: http://arxiv.org/abs/2611.16080v1
- Date: Wed, 11 Nov 2026 22:45:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.28618
- Title: TGen-SQD: Physics-Informed Transferable Configuration Generator for Sample-Based Quantum Diagonalization
- Title(参考訳): TGen-SQD: サンプルベース量子対角化のための物理インフォームド転送可能構成生成器
- Abstract要約: 複数のハミルトニアンで共同で訓練された物理インフォームドジェネレータであるTGen-SQDを紹介する。
20キュービットのH10鎖上では、TGen-SQDは平均エネルギー誤差が40.18 +/- 1.52と43.97 +/- 1.20 mHaである。
- 参考スコア(独自算出の注目度): 12.008832423171528
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sample-based quantum diagonalization (SQD) avoids iterative variational circuit optimization, but its accuracy and cost depend on selecting a compact determinant subspace that captures the ground state. Existing machine-learning selectors use task-specific physical cues and typically retrain for each Hamiltonian. We introduce TGen-SQD, a physics-informed generator jointly trained across multiple Hamiltonians. It learns from configuration-interaction-weighted data and uses orbital- and system-level descriptors to guide generation. After training, its weights remain frozen for inference on seen and zero-shot geometries. On a 20-qubit H10 chain, TGen-SQD achieves mean energy errors of 40.18 +/- 1.52 and 43.97 +/- 1.20 mHa on seen and unseen geometries, respectively, 12.7% and 11.7% lower than the state-of-the-art PIGen-SQD baseline under matched shot and proposal budgets.
- Abstract(参考訳): サンプルベースの量子対角化(SQD)は繰り返し変動回路の最適化を避けるが、その正確さとコストは基底状態をキャプチャするコンパクトな決定性部分空間の選択に依存する。
既存の機械学習セレクタはタスク固有の物理キューを使用しており、通常は各ハミルトン語で再訓練される。
複数のハミルトニアンで共同で訓練された物理インフォームドジェネレータであるTGen-SQDを紹介する。
設定-相互作用-重み付けデータから学習し、軌道およびシステムレベルの記述子を使用して生成をガイドする。
訓練後、その重量は視線とゼロショットのジオメトリーの推測のために凍結されたままである。
20キュービットのH10チェーン上では、TGen-SQDは平均エネルギー誤差を40.18 +/- 1.52と43.97 +/- 1.20 mHaで、それぞれ12.7%と11.7%と、最先端のPIGen-SQDベースラインよりも低い。
関連論文リスト
- Physics-informed neural networks in the small-data regime: A controlled comparison with classical PDE surrogates [39.20268547244057]
物理インフォームドニューラルネットワーク(PINN)が,少ないラベル付き観測から正確な予測を達成できるかどうかを検討する。
階層的損失重み付け(H-PINN)とその勾配方向認識拡張(HO-PINN)を導入する。
結果は、既知の物理学は、非常に少ない解の観測から正確な神経代理予測を支持できることを示した。
論文 参考訳(メタデータ) (2026-11-09T13:49:33Z) - GENIE: learned quantum circuits as embedding impurity solvers, and why compactness, not correlation strength, decides when they work [0.0]
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。
論文 参考訳(メタデータ) (2026-10-30T16:09:43Z) - Foundation Neural-Network Quantum States for Molecular Potential Energy Surfaces in Second Quantization [48.94402084735484]
我々は、第2量子化における分子電子構造のための幾何学条件の基礎的ニューラルネットワーク量子状態を導入する。
単一の自己回帰モデルは、スパースアンカー測地から基底状態の族を学ぶ。
軌道アライメントは軌道のアイデンティティと一致し、それらの位相を輸送し、測地線をまたいだ軌道ベースを確立する。
論文 参考訳(メタデータ) (2026-09-29T14:54:07Z) - A matched-integrator evaluation of Hamiltonian neural networks on pendulum and Kepler dynamics [0.0]
ハミルトニアンニューラルネットワーク(HNN)は、学習されたスカラーハミルトニアンを通して保守的な力学をパラメータ化する。
我々は、HNNとパラメータマッチングされたフィードフォワードベースラインをトレーニングする制御プロトコルの下で、この事前評価を行う。
結果は5種以上の独立した訓練種が報告されている。
論文 参考訳(メタデータ) (2026-08-10T21:12:52Z) - Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。
終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。
EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
論文 参考訳(メタデータ) (2026-05-15T16:11:10Z) - A Transferable Machine Learning Approach to Predict Optimized Orbitals for Electronic Structure Problems [0.49259062564301753]
変分量子固有解法は、量子ハードウェア上での基底状態エネルギー計算にかなりの可能性を秘めている。
本稿では,分子構造と対結合構造から直接,最適化された軌道係数を予測するグラフニューラルネットワークフレームワークを提案する。
我々のモデルは平均絶対エネルギー誤差$mathcalO(102)$と$mathcalO$ milli-Hartreesに達する。
論文 参考訳(メタデータ) (2026-05-05T18:12:05Z) - 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) - Quantum State Transfer in Interacting, Multiple-Excitation Systems [41.94295877935867]
量子状態伝達(QST)は、あるノードから別のノードへの量子情報のコヒーレントな通過を記述する。
高忠実度QSTを与えるハミルトニアンの発見を可能にするモンテカルロ法について述べる。
その結果生まれたJaynes-Cummings-Hubbardと周期的なAndersonモデルは、原則として、効率的なQSTを提供するための適切なハードウェアで設計することができる。
論文 参考訳(メタデータ) (2024-05-10T23:46:35Z)
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。