MARC

 008260126s2025        us                              c    eng  d
■001000017359360
■00520260202105107
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293892785
■035    ▼a(MiAaPQ)AAI32236762
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aAnand,  Sajant.
■24510▼aVignettes  on  Tensor  Network  Algorithms:  Isometries,  State  Preparation,  and  Simulators
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a182  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Zaletel,  Michael  P.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aNow  thirty  years  since  the  introduction  of  the  density  matrix  renormalization  group  algorithm  and  the  matrix  product  state  ansatz  on  which  it  operates,  tensor  network  states  have  become  a  ubiquitous  tool  for  the  modern  many-body  theorist.  In  a  manner  similar  to  image  compression,  tensor  networks  provide  a  compressed  representation  of  quantum  states  with  low  entanglement  and  allow  for  investigation  of  ground  state  properties,  finite  temperature  and  excitations,  and  dynamics.  However,  these  algorithms  are  most  robust  in  one-dimensional  chains  and  limited  width  two-dimensional  cylinders.  Spurred  by  the  rapid  development  of  noisy  yet  increasingly  accurate  digital  quantum  computers,  there  is  significant  interest  in  developing  tensor  network  algorithms  that  enable  the  study  of  two-dimensional  states  and  both  validate  and  extend  the  reach  of  the  experimental  devices.Here  we  present  a  series  of  works  on  tensor  network  algorithms  at  the  interface  of  quantum  many-body  physics  and  quantum  computing.  First,  we  propose  extensions  to  the  isometric  tensor  network  ansatz,  both  increasing  its  representational  power  at  fixed  classical  optimization  costs  and  enabling  studies  of  infinite  strip  geometries.  We  next  demonstrate,  using  a  trapped  ion  quantum  computer,  that  isometric  tensor  networks  and  in  particular  the  multi-scale  entanglement  renormalization  ansatz  can  be  used  to  holographically  prepare  prepare  critical  ground  states  using  a  number  of  qubits  logarithmic  in  system  size.  Finally,  we  benchmark  a  large-scale  superconducting  quantum  computing  on  a  quantum  dynamics  experiment,  demonstrating  that  the  quantum  computer  extends  beyond  exact  classical  simulation  and  is  competitive  with  state-of-the-art  approximate  tensor  network  algorithms.Together,  this  thesis  highlights  the  advantages  of  a  symbiotic  relationship  between  classical  tensor  networks  and  quantum  computers  and  motivates  the  careful  design  of  novel  tensor  network  algorithms  with  quantum  hardware  in  mind.
■590    ▼aSchool  code:  0028.
■650  4▼aCondensed  matter  physics
■650  4▼aQuantum  physics
■650  4▼aComputational  physics
■653    ▼aMany-body  theory
■653    ▼aQuantum  computing
■653    ▼aTensor  networks
■653    ▼aQubits
■653    ▼aQuantum  hardware
■690    ▼a0611
■690    ▼a0599
■690    ▼a0216
■71020▼aUniversity  of  California,  Berkeley▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359360▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서