核心概念
機械学習モデルを使用して、量子系の特性を正確に表現し、新しいサンプルから局所観測可能な値や相図を予測できることが示された。
要約
最近の機械学習は、多体系の量子状態の特性を予測する強力なツールとして浮上しています。本研究では、条件付き生成モデルを使用して、異なる関連した状態から共有構造を学び、新しいサンプルを生成しました。2次元ランダムハイゼンベルグ模型およびライドバーグ原子系の地上状態について数値的に検証されました。結果は従来の手法よりも優れており、大規模な量子系の特性予測が可能であることが示されました。
統計
2Dランダムハイゼンベルグ模型における45キュビットまでのシミュレーション
13×13リドバーグ原子平面格子の量子位相を正確に予測
引用
"Machine learning has emerged recently as a powerful tool for predicting properties of quantum many-body systems."
"Our method significantly outperforms these baseline methods, corroborating the effectiveness of our proposed method."