MARC

 008260126s2025        us                              c    eng  d
■001000017357288
■00520260202103202
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798283137674
■035    ▼a(MiAaPQ)AAI31999195
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aGyawali,  Gaurav.▼0(orcid)0000-0002-9226-7890
■24510▼aSimulating  Dynamics  of  Quantum  Information  in  Strongly  Correlated  Electron  Systems
■260    ▼a[Sl]▼bCornell  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a235  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Lawler,  Michael.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2025.
■520    ▼aRecent  advances  in  probing  and  controlling  quantum  systems  have  brought  us  closer  to  Feynman's  vision  of  simulating  nature  using  quantum  mechanics.  Quantum  processors  promise  efficient  simulation  of  strongly  correlated  electrons,  which  suffer  from  the  exponential  scaling  of  classical  simulation  resources.  Additionally,  quantum  processors  provide  access  to  quantum  information  properties  that  are  not  easily  accessible  in  conventional  condensed  matter  experiments.  In  this  dissertation,  I  explore  three  distinct  approaches  to  studying  the  dynamics  of  quantum  information  in  the  context  of  many-body  physics  simulations.First,  I  present  an  information  theoretic  study  of  the  dynamics  of  monitored  variational  circuits  that  prepare  the  ground  states  of  strongly  correlated  Hamiltonians  (Chapter  3).  Viewing  the  optimization  as  a  communication  problem  reveals  "coding  barren  plateaus",  where  a  finite  communication  rate  can  be  achieved  between  the  sender  and  the  receiver  despite  vanishing  gradients.  In  a  parallel  study  (Chapter  4),  I  present  an  adaptive  variational  algorithm  to  prepare  the  eigenstates  of  the  Fermi-Hubbard  model  by  building  entanglement  one  gate  at  a  time.  This  approach  results  in  shallower  circuits  and  circumvents  barren  plateaus,  potentially  enabling  more  efficient  ground  state  preparation  on  near-term  devices.Second,  I  focus  on  quantum  information  dynamics  in  strongly  correlated  electron  systems,  both  clean  and  disordered.  I  present  a  real-device  implementation  for  efficient  disorder  averaging,  one  of  the  central  challenges  in  the  computational  study  of  many-body  localization  due  to  rare  events,  by  leveraging  quantum  parallelism  (Chapter  5).  I  examine  the  signature  of  localization  in  the  dynamics  of  the  second  Renyi  ´  entropy,  which  can  be  extended  to  measure  mutual  information  and  detect  rare  events  to  determine  the  stability  of  the  many-body  localization  phase.  I  also  explore  learning  thermodynamics  from  the  simulation  of  quantum  dynamics  by  employing  diffusion  maps-an  unsupervised  machine  learning  method-to  uncover  the  quantum  phase  diagram  of  the  transverse  field  Ising  model  and  map  entropy  across  the  phase  diagram  with  only  500  shots  per  data  point  (Chapter  6).  I  do  so  by  developing  time  average  classical  shadows  (TACS),  an  efficient  classical  representation  of  the  microcanonical  ensemble.  Additionally,  I  discuss  a  novel  shadow  tomographic  technique  called  the  valence  bond  shadows  that  offers  intuitive  and  efficient  method  to  estimate  observables  of  quantum  spin  liquids  prepared  on  quantum  processors  (Chapter  7).Third,  simulating  long-time  dynamics  of  strongly  correlated  electrons  on  quantum  processors  will  likely  require  fault-tolerant  quantum  computing  using  error-correcting  codes.  By  studying  the  channel  capacity  of  realistic  quantum  device  models,  I  find  emergent  coding  phases  tailored  to  specific  noise  characteristics  (Chapter  8).  Carrying  out  this  approach  on  current  noisy  devices  could  provide  a  systematic  way  to  construct  quantum  codes  for  robust  computation  and  communication.Although  access  to  quantum  information  properties  is  challenging  using  conventional  analytical  and  numerical  methods,  the  same  challenge  provides  a  promising  path  to  quantum  advantage  in  near-term  devices.  My  studies  highlight  the  potential  of  near-term  quantum  simulations  to  deepen  our  understanding  of  strongly  correlated  electrons  by  enabling  the  direct  probing  of  quantum  information-theoretic  quantities  in  their  dynamics.
■590    ▼aSchool  code:  0058.
■650  4▼aPhysics
■650  4▼aCondensed  matter  physics
■650  4▼aQuantum  physics
■650  4▼aComputational  physics
■653    ▼aDisorder-free  localization
■653    ▼aEmergent  coding  phases
■653    ▼aQuantum  computing
■653    ▼aQuantum  information  theory
■653    ▼aQuantum  simulations
■653    ▼aStrongly  correlated  electrons
■690    ▼a0605
■690    ▼a0599
■690    ▼a0611
■690    ▼a0216
■71020▼aCornell  University▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357288▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서