[論文レビュー] Thermal-Drift Sampling: Generating Thermal Ensembles for Learning Many-Body Systems

Jiyu Jiang, Mingrui Jing+3 more|arXiv (Cornell University)|Feb 5, 2026

Quantum many-body systems被引用数 0

ひとこと要約

この論文は、ハミルトニアンラベルを持つランダム熱状態を生成する量子熱・ドリフトチャネルと測定制御サンプラーを導入し、多項式リソーススケーリングを証明し、カオスの署名と学習応用を実証する。

ABSTRACT

Thermal equilibrium states of many-body Hamiltonians are essential for probing quantum chaos, finite-temperature phases of matter, and training quantum machine learning models, yet generating large collections of such states across different Hamiltonians remains costly with existing methods. We introduce a powerful operation, the quantum thermal-drift channel, to construct a measurement-controlled sampling algorithm that autonomously generates thermal states together with their system Hamiltonians as labels for general physical models. We prove that our algorithm is efficient: the total gate count scales polynomially with system size and quadratically with inverse temperature, providing the first polynomial resource bound for random thermal state generation. We characterize the distribution of sampled Hamiltonians as a normal distribution reweighted by partition functions, which quantifies a trade-off between sampling accuracy and effective label range. Level-spacing statistics computed from sampled thermal states of a 2D transverse-field Ising model show a crossover to Wigner-Dyson universality, confirming that the sampler captures nontrivial chaotic correlations. Finally, a variational quantum classifier trained on the generated dataset achieves near-optimal accuracy in predicting Hamiltonian properties of unseen states. These results establish a scalable, quantum-native route for thermodynamic simulation and labeled quantum data generation in many-body systems.

研究の動機と目的

• 大規模でラベル付き熱状態データを多体系ハミルトニアンから benchmarking と学習のために必要であることを動機づける。
• 量子ネイティブなアルゴリズムを開発し、熱状態とそのハミルトニアンラベルを1つのワークフローで同時に生成する。
• 系サイズと逆温度に対して多項式スケーリングを示す理論的リソース境界を証明する。
• 固有エネルギー統計を分析し、生成データを用いた学習タスクの分類器を示すことで物理的関連性を実証する。
• 多体系物理学における熱力学的シミュレーションとラベル付き量子データ生成のスケーラブルな道を提供する。

提案手法

• 測定駆動ドリフトへ向かうコア演算として熱ドリフトチャネル Nσ を定義する。
• Pauliスタイルの制御を用いた一連の熱ドリフトチャネルを適用する回路を構築し、H = sum_j cj σj をサンプルする。|cj| ≤ hj。
• ハミルトニアン空間での熱加重ランダムウォークを実現するために、Pauli項の選択を bounds hj/λ でウェイト付けする。
• 途中回路測定結果を記録して同時にハミルトニアンラベルを生成し、状態進化を舵取りして Gβ,H 目標状態を得る。
• ゲート数が系サイズ n と逆温度 β に対して多項式にスケールすること、誤差が N 増加に伴い減少することを示すサンプリング精度境界を証明する。
• ラベル分布を partition function によって再重み付けされた正規分布として漸近的にモデル化し、精度とラベル範囲のトレードオフを導く。

実験結果

リサーチクエスチョン

• RQ1 全体のハミルトニアンファミリに対して、ラベル付きのランダム熱状態を効率的に生成できるか。
• RQ2 ラベル付き熱状態を生成するための資源要件（ゲート、ステップ）は多項式スケーリングを持つことをどう証明するか。
• RQ3 サンプリングされたハミルトニアンとそのラベルはどのように分布し、分割函数と正規再重み付けがサンプリングをどう形作るか。
• RQ4 生成された熱集団はカオス的ダイナミクスの物理的署名（例：レベル統計）をハミルトニアン間で示すか。
• RQ5 生成されたラベル付き熱データはハミルトニアン特性分類のような学習タスクをサポートできるか。

主な発見

• 量子熱ドリフトサンプラーは、n と β に対して多項式ゲートコストで熱状態とハミルトニアンラベルを同時に生成する。
• 熱ドリフトステップの数 N を増やすとサンプリング精度が改善され、誤差境界は固定の失敗確率の下でおおよそ O(n3/2 λ3 β3 N−3/2) にスケールする。
• ラベル分布は分割函数で再重み付けされた正規分布へと収束し、熱力学的バiasと中心極限定理の効果を組み合わせる。
• サンプルされた熱状態のレベル統計はポアソン分布からワイナー-ダイソン GOE へのカオス的関連を示すクロスオーバーを示し、エルゴード的領域の典型的なカオス相関を示す。
• 生成されたラベル付き熱データで訓練された分散型量子分類器は未見の熱状態に対してほぼ最適に近い精度を達成し、学習タスクに対するデータの有用性を検証する。