論文の概要: Drawing together control landscape and tomography principles
- arxiv url: http://arxiv.org/abs/2004.02729v2
- Date: Tue, 13 Oct 2020 15:25:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 06:25:51.108647
- Title: Drawing together control landscape and tomography principles
- Title（参考訳）: ランドスケープとトモグラフィーの原理を一緒に描く
- Authors: Christian Arenz and Herschel Rabitz
- Abstract要約: 形状のフィールドを用いて量子システムを制御したり、測定データからそのような制御されたシステムの状態を推測する能力は、量子デバイスの設計と運用における重要なタスクである。
システムの全状態を制御・再構築する能力と特異制御の欠如を関連付けるとともに、十分に長い進化期間において特異制御が発生することは滅多にないことを示す。
本稿では,システムに部分的にアクセスした測定データを利用した最適制御の学習アルゴリズムについて述べる。
- 参考スコア（独自算出の注目度）: 0.2741266294612775
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to control quantum systems using shaped fields as well as to
infer the states of such controlled systems from measurement data are key tasks
in the design and operation of quantum devices. Here we associate the success
of performing both tasks to the structure of the underlying control landscape.
We relate the ability to control and reconstruct the full state of the system
to the absence of singular controls, and show that for sufficiently long
evolution times singular controls rarely occur. Based on these findings, we
describe a learning algorithm for finding optimal controls that makes use of
measurement data obtained from partially accessing the system. Open challenges
stemming from the concentration of measure phenomenon in high dimensional
systems are discussed.
- Abstract（参考訳）: 形状場を用いて量子システムを制御する能力と、そのような制御システムの状態を測定データから推測する能力は、量子デバイスの設計と運用において重要なタスクである。
ここでは、両方のタスクを実行する成功と、根底にあるコントロールランドスケープの構造を関連付ける。
システムの全状態の制御と再構築の能力は特異な制御の欠如と関係しており、十分に長い進化の間、特異な制御は滅多に発生しないことを示す。
これらの結果に基づき,システムに部分的にアクセスした測定データを利用した最適制御の学習アルゴリズムについて述べる。
高次元系における測度現象の集中に起因するオープンチャレンジについて論じる。
関連論文リスト
- Controlling nonergodicity in quantum many-body systems by reinforcement learning [0.0]
量子非エルゴディティ制御のためのモデルフリー・ディープ強化学習フレームワークを開発した。
我々は, DRLエージェントが量子多体系を効率的に学習できることを実証するために, パラダイム的一次元傾斜Fermi-Hubbardシステムを用いた。
連続制御プロトコルと観測は実験的に実現可能である。
論文 参考訳（メタデータ） (2024-08-21T20:55:44Z) - Controlling Unknown Quantum States via Data-Driven State Representations [1.6490073972480004]
量子状態の正確な制御は、量子コンピューティングや他の量子技術にとって重要である。
システム状態の表現を構築するために,少量の測定データを用いた機械学習アルゴリズムを開発した。
本研究では, 未知の多体量子状態と非ガウス連続変数状態の, 限定された量子測定値からのデータを用いて, 正確な制御を実現することを示す。
論文 参考訳（メタデータ） (2024-06-09T10:07:05Z) - Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。
本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。
我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
論文 参考訳（メタデータ） (2024-04-05T17:58:37Z) - Quantum control by the environment: Turing uncomputability, Optimization over Stiefel manifolds, Reachable sets, and Incoherent GRAPE [56.47577824219207]
多くの現実的な状況において、制御された量子系は環境と相互作用する。
本稿では,環境を資源として利用したオープン量子システムの制御に関するいくつかの結果について概説する。
論文 参考訳（メタデータ） (2024-03-20T10:09:13Z) - Sparsity in Partially Controllable Linear Systems [56.142264865866636]
本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。
最適制御には無関係な状態変数を特徴付ける。
論文 参考訳（メタデータ） (2021-10-12T16:41:47Z) - Numerical estimation of reachable and controllability sets for a
two-level open quantum system driven by coherent and incoherent controls [77.34726150561087]
この記事では、ゴリーニ-コサコフスキー--リンドブラッド--スダルシャンマスター方程式によって支配される2段階の開量子系を考える。
系の密度行列のブロッホパラメトリゼーションを用いて解析する。
論文 参考訳（メタデータ） (2021-06-18T14:23:29Z) - Dynamically corrected gates from geometric space curves [55.41644538483948]
本稿では,量子進化と幾何学的空間曲線の密接な関係を利用した演算をしながら,動的に誤差を補正する制御場の設計手法について概説する。
このアプローチは、与えられたタスクを達成する制御フィールドのグローバルなソリューション空間へのアクセスを提供し、様々なアプリケーションに対して実験可能なゲート操作の設計を容易にする。
論文 参考訳（メタデータ） (2021-03-30T01:12:36Z) - Information flow and error scaling for fully-quantum control [4.724825031148412]
量子チャネルキャパシティが最適制御誤差のスケーリング動作を設定することを示す。
チャネルの量子容量を最大化することにより、最小制御誤差が保証されることを示す。
論文 参考訳（メタデータ） (2020-12-11T10:46:25Z) - Identifying Causal Structure in Dynamical Systems [6.451261098085498]
制御系の因果構造を同定する手法を提案する。
ロボットアームの実験では、実世界のデータから信頼性の高い因果同定が示されている。
論文 参考訳（メタデータ） (2020-06-06T16:17:07Z) - Learning to Control PDEs with Differentiable Physics [102.36050646250871]
本稿では,ニューラルネットワークが長い時間をかけて複雑な非線形物理系の理解と制御を学べる新しい階層型予測器・相関器手法を提案する。
本手法は,複雑な物理系の理解に成功し,PDEに関わるタスクに対してそれらを制御できることを実証する。
論文 参考訳（メタデータ） (2020-01-21T11:58:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。