論文の概要: Unboxing Quantum Black Box Models: Learning Non-Markovian Dynamics
- arxiv url: http://arxiv.org/abs/2009.03902v1
- Date: Tue, 8 Sep 2020 18:00:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 05:06:48.326581
- Title: Unboxing Quantum Black Box Models: Learning Non-Markovian Dynamics
- Title（参考訳）: 量子ブラックボックスモデルのアンボックス:非マルコフダイナミクスの学習
- Authors: Stefan Krastanov, Kade Head-Marsden, Sisi Zhou, Steven T. Flammia,
Liang Jiang, Prineha Narang
- Abstract要約: 完全正のトレース保存マップの性質のような物理的制約を微分形式で明示的に符号化する学習アーキテクチャを設計する。
私たちのアプローチは、機械学習と不透明なスーパーオペレータが欠落している物理的解釈可能性を提供します。
このパラダイムは、ノイズを認識した最適量子制御への道を開き、制御とエラー軽減のリソースとして浴槽を利用するための道を開く。
- 参考スコア（独自算出の注目度）: 2.4201087215689947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Characterizing the memory properties of the environment has become critical
for the high-fidelity control of qubits and other advanced quantum systems.
However, current non-Markovian tomography techniques are either limited to
discrete superoperators, or they employ machine learning methods, neither of
which provide physical insight into the dynamics of the quantum system. To
circumvent this limitation, we design learning architectures that explicitly
encode physical constraints like the properties of completely-positive
trace-preserving maps in a differential form. This method preserves the
versatility of the machine learning approach without sacrificing the efficiency
and fidelity of traditional parameter estimation methods. Our approach provides
the physical interpretability that machine learning and opaque superoperators
lack. Moreover, it is aware of the underlying continuous dynamics typically
disregarded by superoperator-based tomography. This paradigm paves the way to
noise-aware optimal quantum control and opens a path to exploiting the bath as
a control and error mitigation resource.
- Abstract（参考訳）: 環境のメモリ特性を特徴付けることは、量子ビットや他の先進量子システムの高忠実度制御にとって重要になっている。
しかし、現在の非マルコフトモグラフィ技術は離散的なスーパーオペレータに限定されているか、量子システムのダイナミクスに関する物理的洞察を提供しない機械学習手法を採用している。
この制限を回避するため、我々は、完全に正のトレース保存写像の性質のような物理的制約を明示的にエンコードする学習アーキテクチャを設計する。
この方法は、従来のパラメータ推定手法の効率と忠実性を犠牲にすることなく、機械学習アプローチの汎用性を維持する。
私たちのアプローチは、機械学習と不透明なスーパーオペレータが欠落している物理的解釈可能性を提供します。
さらに、スーパーオペレーターベースのトモグラフィーでは無視される基礎となる連続力学も認識している。
このパラダイムはノイズを検知する最適な量子制御への道を開き、バスを制御とエラー緩和のリソースとして利用する道を開く。
関連論文リスト
- Neural Network Approach for Non-Markovian Dissipative Dynamics of Many-Body Open Quantum Systems [9.775774445091516]
我々は第2量子化(DQME-SQ)におけるディシパトン埋め込み量子マスター方程式にニューラル量子状態アプローチを統合する
提案手法は縮密度テンソルをコンパクトに表現し,システム環境相関と非マルコフメモリの組合せ効果を明示的に符号化する。
RBMベースの新しいDQME-SQアプローチは、それまでの難解な状態における非マルコフ的開量子力学の研究の道を開く。
論文 参考訳（メタデータ） (2024-04-17T06:17:08Z) - Non-Markovian Quantum Control via Model Maximum Likelihood Estimation
and Reinforcement Learning [0.0]
環境の非マルコフ的性質を低次元有効貯留層に組み込む新しい手法を提案する。
従来のトモグラフィ法よりも効率的な量子力学の学習に機械学習技術を用いる。
このアプローチはモデルバイアスの問題を緩和するだけでなく、量子力学のより正確な表現を提供する。
論文 参考訳（メタデータ） (2024-02-07T18:37:17Z) - Neural auto-designer for enhanced quantum kernels [59.616404192966016]
本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。
私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
論文 参考訳（メタデータ） (2024-01-20T03:11:59Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳（メタデータ） (2022-12-22T16:06:24Z) - Variational Quantum Soft Actor-Critic for Robotic Arm Control [0.0]
本研究の目的は、連続制御のための最先端の強化学習技術の一つに量子コンピューティングを適用することの利点を探求し、評価することである。
具体的には、量子回路のディジタルシミュレーションにより、仮想ロボットアームの動きに対する変分量子ソフトアクター・クライトの性能について検討した。
論文 参考訳（メタデータ） (2022-12-20T19:02:24Z) - Experimental graybox quantum system identification and control [2.92406842378658]
我々は、量子システムの物理モデルを構築し、最適制御の設計に利用する「グレーボックス」アプローチを実験的に実証した。
提案手法は,物理原理と高精度な機械学習を組み合わせることで,必要な制御量を直接測定できないような問題に対して有効である。
この方法は自然に時間依存的かつオープンな量子システムに拡張され、量子ノイズ分光とキャンセルへの応用がある。
論文 参考訳（メタデータ） (2022-06-24T10:19:55Z) - Structure-Preserving Learning Using Gaussian Processes and Variational
Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。
我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文 参考訳（メタデータ） (2021-12-10T11:09:29Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - Demonstration of non-Markovian process characterisation and control on a
quantum processor [0.0]
非マルコフノイズは量子技術の進歩に深刻な課題をもたらす。
量子系における非マルコフ力学を特徴づける枠組みを開発する。
以上の結果から, この特性化手法は, より優れた量子制御とコヒーレンス時間の拡張につながることが示された。
論文 参考訳（メタデータ） (2020-04-29T08:29:29Z)
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。