Neural Quantum Digital Twins for Optimizing Quantum Annealing

要約

Quantum Annealersは、特定の組み合わせ最適化の問題に対処する可能性を示していますが、パフォーマンスはスケーラビリティとエラー率によって制限されることがよくあります。
この作業では、量子アニーリングに関連する量子多体システムのエネルギー環境を再構築するニューラル量子デジタルツイン（NQDT）フレームワークを提案します。
デジタルツインモデルグラウンドと励起状態の両方のダイナミクスをモデル化し、断熱進化プロセスの詳細なシミュレーションを可能にします。
既知の分析ソリューションを使用したシステムにNQDTをベンチマークし、量子の臨界性や相転移を含む重要な量子現象を正確にキャプチャすることを実証します。
このフレームワークを活用すると、励起関連のエラーを最小限に抑える最適なアニーリングスケジュールを特定できます。
これらの調査結果は、量子アニーラーのパフォーマンスを改善するための診断および最適化ツールとしてのニューラルネットワークベースのデジタルツインの有用性を強調しています。

要約(オリジナル)

Quantum annealers have shown potential in addressing certain combinatorial optimization problems, though their performance is often limited by scalability and errors rates. In this work, we propose a Neural Quantum Digital Twin (NQDT) framework that reconstructs the energy landscape of quantum many-body systems relevant to quantum annealing. The digital twin models both ground and excited state dynamics, enabling detailed simulation of the adiabatic evolution process. We benchmark NQDT on systems with known analytical solutions and demonstrate that it accurately captures key quantum phenomena, including quantum criticality and phase transitions. Leveraging this framework, one can identify optimal annealing schedules that minimize excitation-related errors. These findings highlight the utility of neural network-based digital twins as a diagnostic and optimization tool for improving the performance of quantum annealers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google