[論文レビュー] Interpolation of unitaries with time-dependent Hamiltonians via Deep Learning

Antônio José Teixeira Guerra, Daniel Uzcátegui-Contreras+2 more|arXiv (Cornell University)|Jan 18, 2026

Quantum many-body systems被引用数 0

ひとこと要約

この論文は、時間依存ハミルトニアンの下での時間順序付きユニタリ進化を推定するための物理情報を組み込んだニューラルネットワーク（PINN）アプローチを、最大6量子ビットまで直接、7–8量子ビットは有効ハミルトニアンを介して実現し、限られたデータで高い忠実度を達成します。

ABSTRACT

Quantum systems governed by time-dependent Hamiltonians pose significant challenges for the accurate computation of unitary time-evolution operators, which are essential for predicting quantum state dynamics. In this work, we introduce a physics-informed deep learning approach based on Physics-Informed Neural Networks to estimate these operators over the full time domain. By incorporating physical constraints such as unitarity and leveraging the second-order Magnus expansion on the evolution operator, the proposed framework enables the estimation of unitary matrices at different time intervals. The model is trained using simulated unitary operators and evaluated on quantum systems ranging from 2 to 6 qubits. For larger many-body systems, specifically those with 7 and 8 qubits, the same methodology is employed to reconstruct an effective time-dependent Hamiltonian, from which the corresponding time-evolution operator is computed over the entire temporal domain. The proposed framework achieves fidelities exceeding 0.92 using a limited number of unitary samples, indicating a potential reduction in measurement and data acquisition costs. These results highlight the effectiveness of the approach for data-driven simulation and identification of quantum dynamical systems, with direct relevance to quantum computing and quantum simulation applications.

研究の動機と目的

• 時間依存ハミルトニアンの下での量子ダイナミクスのシミュレーション課題を動機づけ、解決する。
• ユニタリ性とダイナミクス制約を課すPINNフレームワークを開発し、時間発展演算子 U(t) を学習する。
• 7–8量子ビットへ拡張するため、有効ハミルトニアンを学習し、Magnus展開またはTrotter化によって U(t) を計算する。
• 全時間領域にわたる補間精度を、異なる時間分解で評価する。
• 量子ダイナミクス学習のデータ効率と測定コストの低減の可能性を実証する。

提案手法

• スカラー時間入力から複素数のユニタリ行列を出力する全結合PINNを用いる。
• 状態の発展、既知ユニタリとの一致、ユニタリ性制約を含む損失関数を用いて物理法則を課す。7–8量子ビットの場合は有効 H_eff(t) を学習し、Magnus展開またはTrotter法で U(t) を計算する。
• 最大6量子ビットの H(t) を時間依存係数付きパウリ基底で表現する。7–8量子ビットの場合は最近接のIsing相互作用に時間依存パウリ係数を制約する。
• データセット N_S = 11,000 のサンプルを、U(t) および ρ(t) の時間グリッドにわたるシミュレーションから生成して学習する。Magnus展開は二次の項まで切り取る。
• 忠実度 F(U(t), U_theta_opt(t)) を100の時間点で評価する。必要に応じて SVD による最も近いユニタリへの後処理を行う。
• 大規模系の場合、ユニタリ性を内在的に保つためにMagnus展開またはTrotter化を用いる。

実験結果

リサーチクエスチョン

• RQ1 PINN は、限られた時間サンプルから時間領域全体のユニタリ進化を信頼的に補間できるか。
• RQ2 学習されたユニタリの忠実度は、系のサイズ（2–6量子ビットは直接、7–8量子ビットは有効ハミルトニアン経由）でどう変化するか。
• RQ3 Magnus展開またはTrotter化を用いた有効ハミルトニアンアプローチは、より大きな系でユニタリ進化と精度を維持できるか。
• RQ4 時間分解 Δt の影響が補間の忠実度とデータ効率に与える影響はどの程度か。

主な発見

• 忠実度は、限られたユニタリサンプルでテストケース全体を通じて0.92を超える。
• 2–6量子ビットではモデルが直接 U(t) を学習し、7–8量子ビットでは有効 H_eff(t) を学習して Magnu s または Trotter 法で U(t) を計算する。
• Δt が小さいほど忠実度が高くなるが、Δt = 1.0 でもこの実験では Δt = 0.1 に近い性能を示す。
• 量子化学的データ生成に基づく QPT によって、補間能力が強く、測定コストが低減されることを示す。
• SVD による補正は高い忠実度を維持し、7–8量子ビットの場合にはユニタリ性は構造上保証されるため、追加的な利点は最小限。
• 100回の独立した実行（最大6量子ビット；7–8量子ビットは50回）で、平均忠実度はほぼ0.99で、ばらつきは小さい。