論文の概要: Designing high-fidelity multi-qubit gates for semiconductor quantum dots through deep reinforcement learning

• arxiv url: http://arxiv.org/abs/2006.08813v1
• Date: Mon, 15 Jun 2020 23:08:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 05:25:33.341265
• Title: Designing high-fidelity multi-qubit gates for semiconductor quantum dots through deep reinforcement learning
• Title（参考訳）: 深部強化学習による半導体量子ドット用高忠実多ビットゲートの設計
• Authors: Sahar Daraeizadeh, Shavindra P. Premaratne, A. Y. Matsuura
• Abstract要約: シリコンの量子ドットに基づく量子プロセッサのための高忠実度マルチキュービットゲートを設計するための機械学習フレームワークを提案する。 我々は,高忠実度マルチキュービットゲートを実現するために,深部強化学習法を用いて最適制御パルスを設計する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a machine learning framework to design high-fidelity multi-qubit gates for quantum processors based on quantum dots in silicon, with qubits encoded in the spin of single electrons. In this hardware architecture, the control landscape is vast and complex, so we use the deep reinforcement learning method to design optimal control pulses to achieve high fidelity multi-qubit gates. In our learning model, a simulator models the physical system of quantum dots and performs the time evolution of the system, and a deep neural network serves as the function approximator to learn the control policy. We evolve the Hamiltonian in the full state-space of the system, and enforce realistic constraints to ensure experimental feasibility.
• Abstract（参考訳）: 本稿では,シリコンの量子ドットに基づく量子プロセッサのための高忠実なマルチキュービットゲートを,単一電子のスピンに符号化された量子ビットを用いて設計する機械学習フレームワークを提案する。 このハードウェアアーキテクチャでは,制御環境は広く複雑であるため,高忠実度マルチキュービットゲートを実現するための最適制御パルスの設計には,深層強化学習法を用いる。 我々の学習モデルでは、シミュレーターが量子ドットの物理系をモデル化し、システムの時間進化を行い、深層ニューラルネットワークが制御ポリシーを学習するための関数近似器として機能する。 我々は,システムの全状態空間においてハミルトニアンを進化させ,実験可能性を確保するために現実的な制約を課す。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Symmetry-invariant quantum machine learning force fields [0.0]
  我々は、データに着想を得た、広範囲な物理関連対称性の集合を明示的に組み込んだ量子ニューラルネットワークを設計する。 この結果から,分子力場生成は量子機械学習の枠組みを生かして著しく利益を得る可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-19T16:15:53Z)
• Machine-learning-inspired quantum optimal control of nonadiabatic geometric quantum computation via reverse engineering [3.3216171033358077]
  制御パラメータを最適化するために,平均忠実度に基づく機械学習に基づく有望な手法を提案する。 逆工学による一量子ゲートをキャット状態の非断熱的幾何量子計算により実装する。 ニューラルネットワークがモデル空間を拡張する能力を持っていることを実証する。
  論文  参考訳（メタデータ） (2023-09-28T14:36:26Z)
• Model-free Quantum Gate Design and Calibration using Deep Reinforcement Learning [7.683965448804695]
  モデルレス量子制御のための深層強化学習を用いた新しいトレーニングフレームワークを提案する。 提案するフレームワークは,制御プロセスの終了時の測定のみに依存し,最適制御ポリシーを見つける能力を提供する。
  論文  参考訳（メタデータ） (2023-02-05T12:36:03Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Self-Correcting Quantum Many-Body Control using Reinforcement Learning with Tensor Networks [0.0]
  本稿では、強化学習(RL)に基づく量子多体系を効率的に制御するための新しい枠組みを提案する。 我々は、RLエージェントが普遍的な制御を見出すことができ、多くの身体状態を最適に制御する方法を学ぶことができ、量子力学が摂動を受けるとき、制御プロトコルをオンザフライで適用できることを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:14:09Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Entanglement transfer, accumulation and retrieval via quantum-walk-based qubit-qudit dynamics [50.591267188664666]
  高次元システムにおける量子相関の生成と制御は、現在の量子技術の展望において大きな課題である。 本稿では,量子ウォークに基づく移動・蓄積機構により,$d$次元システムの絡み合った状態が得られるプロトコルを提案する。 特に、情報を軌道角運動量と単一光子の偏光度にエンコードするフォトニック実装について述べる。
  論文  参考訳（メタデータ） (2020-10-14T14:33:34Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)
• Reinforcement Learning for Digital Quantum Simulation [0.0]
  本稿では,デジタル量子シミュレーションに最適化された量子回路を構築するための強化学習アルゴリズムを提案する。 我々は、長い時間と大きなシステムサイズで3つの絡み合ったゲートを持つ物理オブザーバブルを再生する量子回路を一貫して取得する。
  論文  参考訳（メタデータ） (2020-06-29T18:00:11Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。