Core Concepts
マルチタスク学習を用いた機械学習モデルにより、局所的な測定データから量子系の大域的な特性を予測することができる。
Abstract
本論文では、量子系の特性を効率的に予測するためのマルチタスク学習に基づく機械学習モデルを提案している。
局所的な測定データのみを入力として、量子系の大域的な特性を予測することができる。
クラスター-アイジング模型やボンド交替XXZ模型の基底状態を用いた数値実験により、モデルの高い予測精度を示した。
単一タスクのモデルと比較して、マルチタスクモデルは量子相の分類や非局所的な特性の予測において優れた性能を示した。
学習したモデルを用いて、訓練時に見ていない量子系や高次元の量子系の特性を予測することができる。
Stats
量子系の基底状態の文字列順序パラメータ ⟨˜
S⟩は-0.5付近から0.5付近まで変化する。
量子系の基底状態のレニー相互情報量 IA:B は0.2から1.2の範囲にある。
Quotes
"マルチタスク学習を用いることで、局所的な測定データから量子系の大域的な特性を予測することができる。"
"提案したモデルは、訓練時に見ていない量子系や高次元の量子系の特性を予測することができる。"