[논문 리뷰] Thermal-Drift Sampling: Generating Thermal Ensembles for Learning Many-Body Systems

Jiyu Jiang, Mingrui Jing외 3명|arXiv (Cornell University)|2026. 02. 05.

Quantum many-body systems인용 수 0

한 줄 요약

이 논문은 해밀토니안 레이블이 있는 임의의 열 상태를 생성하고 다항 자원 스케일링을 입증하며 혼돈 신호와 학습 응용을 보여주는 양자 열 확산 채널과 측정 제어 샘플러를 도입한다.

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.

연구 동기 및 목표

• benchmarking 및 학습을 위한 다체 해밀토 helm 재정의 필요성 제시
• 하나의 워크플로우에서 열 상태와 함께 해밀토니안 레이블을 생성하는 양자 네이티브 알고리즘 개발
• 시스템 크기와 역온도에 대해 다항 스케일링을 보이는 이론적 자원 한계 증명
• 생성된 데이터의 학습 태스크에 대해 분류기 학습과 열 상태의 물리적 관련성 분석을 통한 유효성 시연
• 다체 물리학에서 열역학 시뮬레이션 및 레이블링된 양자 데이터 생성의 확장 가능한 경로 제공

제안 방법

• 측정 주도 드리프트로 열화에 수렴하는 핵심 작용으로 Nσ를 정의
• |cj| ≤ hj인 H = sum_j cj σj를 샘플링하는 페이울류 스타일 제어를 갖춘 일련의 열 드리프트 채널을 적용하는 회로 구성
• 해밀토니안 공간에서 열 가중 무작위 보행을 구현하기 위해 Pauli 항의 선택을 bound hj/λ로 가중
• 회로 중간 측정 결과를 기록하여 해밀토니안 레이블을 동시에 생성하고 상태 진화를 유도하여 Gβ,H 타깃 상태를 산출
• 게이트 수가 시스템 크기 n과 역온도 β에 대해 다항적으로 스케일링하고 오차가 N 증가에 따라 감소함을 보이는 샘플링 정밀도 한계 증명
• 레이블 분포를 분배함수로 재가중된 정상분포로 점근적으로 모델링하여 정확도와 레이블 범위 간의 trade-off를 도출

실험 결과

연구 질문

• RQ1 모든 계열의 해밀토니안에 대해 해밀토니안 레이블이 있는 임의의 열 상태를 효율적으로 생성할 수 있는가?
• RQ2 제한된 자원(게이트, 스텝)으로 레이블이 달린 열 상태를 다항 스케일링으로 생성하는가?
• RQ3 샘플링된 해밀토니안과 그 레이블이 어떻게 분포하고 분배 함수 및 정상 재가중이 샘플링에 어떤 영향을 주는가?
• RQ4 생성된 열 인구가 혼돈 역학의 물리적 신호(예: 준휘발성 레벨 통계)를 해밀토니안 간 교차에서 보이는가?
• RQ5 생성된 레이블된 열 데이터가 해밀토니안 특성 분류와 같은 학습 태스크를 지원하는가?

주요 결과

• 양자 열 드리프트 샘플러가 n과 β에서 다항 게이트 비용으로 해밀토니안 레이블이 있는 열 상태를 생성한다.
• 열 드리프트 단계 수 N이 증가함에 따라 샘플링 정밀도가 향상되며 실패 확률이 고정된 경우 경계가 대략 O(n3/2 λ3 β3 N−3/2)로 스케일링한다.
• 레이블 분포가 분배 함수로 재가중된 정상분포로 수렴하며 열역학적 편향과 중심극한 효과를 결합한다.
• 샘플링된 열 상태의 레벨 통계는 포와송에서 위너 다이슨 GOE 동작으로의 교차를 보이며 침윤 교란의 전형인 혼돈 상관을 시사한다.
• 생성된 레이블된 열 데이터로 학습된 변분 양자 분류기가 보지 못한 열 상태에서 거의 최적의 정확도를 달성하여 데이터가 학습 태스크에 유용하다는 것을 검증한다。