論文の概要: Deep Reinforcement Learning for Efficient Measurement of Quantum Devices

• arxiv url: http://arxiv.org/abs/2009.14825v1
• Date: Wed, 30 Sep 2020 17:55:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 00:39:13.009481
• Title: Deep Reinforcement Learning for Efficient Measurement of Quantum Devices
• Title（参考訳）: 量子デバイスの効率的な測定のための深部強化学習
• Authors: V. Nguyen, S.B. Orbell, D.T. Lennon, H. Moon, F. Vigneau, L.C. Camenzind, L. Yu, D.M. Zumb\"uhl, G.A.D. Briggs, M.A. Osborne, D. Sejdinovic, and N. Ares
• Abstract要約: 深部強化学習に基づく量子デバイスの効率的な測定手法を提案する。 二重量子ドットデバイスに焦点をあて、バイアストライアングルと呼ばれる特定の輸送特徴の完全な自動識別を実証する。 提案アルゴリズムでは,30分以内,時には1分以内の偏差三角形を同定する。
• 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: Deep reinforcement learning is an emerging machine learning approach which can teach a computer to learn from their actions and rewards similar to the way humans learn from experience. It offers many advantages in automating decision processes to navigate large parameter spaces. This paper proposes a novel approach to the efficient measurement of quantum devices based on deep reinforcement learning. We focus on double quantum dot devices, demonstrating the fully automatic identification of specific transport features called bias triangles. Measurements targeting these features are difficult to automate, since bias triangles are found in otherwise featureless regions of the parameter space. Our algorithm identifies bias triangles in a mean time of less than 30 minutes, and sometimes as little as 1 minute. This approach, based on dueling deep Q-networks, can be adapted to a broad range of devices and target transport features. This is a crucial demonstration of the utility of deep reinforcement learning for decision making in the measurement and operation of quantum devices.
• Abstract（参考訳）: 深層強化学習(deep reinforcement learning)は、人間が経験から学ぶ方法と同じように、コンピュータに行動や報酬から学ぶことを教える、新たな機械学習アプローチである。 これは、大きなパラメータ空間をナビゲートする決定プロセスを自動化する多くの利点を提供する。 本稿では,深層強化学習に基づく量子デバイスの効率的な測定手法を提案する。 我々は2つの量子ドットデバイスに注目し、バイアス三角形と呼ばれる特定の輸送特性の完全な自動識別を示す。 これらの特徴を対象とする測定は、パラメータ空間の非機能領域でバイアス三角形が見つかるため、自動化が難しい。 提案アルゴリズムでは,30分以内,時には1分以内の偏差三角形を同定する。 このアプローチは、ディープQ-ネットワークに基づくもので、幅広いデバイスやターゲットトランスポート機能に適応することができる。 これは、量子デバイスの測定と操作における決定のための深層強化学習の有用性の重要な実証である。

関連論文リスト

• Application of machine learning to experimental design in quantum mechanics [0.5461938536945721]
  本稿では,量子センサの精度を最適化する機械学習手法を提案する。 フレームワークはPythonパッケージのqsensoroptで実装されている。 我々は,この手法のNV中心およびフォトニック回路への応用について検討した。
  論文  参考訳（メタデータ） (2024-03-15T14:07:46Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• Double Deep Reinforcement Learning Techniques for Low Dimensional Sensing Mapless Navigation of Terrestrial Mobile Robots [0.9175368456179858]
  本研究では,地上移動ロボットの地図レスナビゲーション問題を改善するために,Deep Reinforcement Learning (Deep-RL) の2つのアプローチを提案する。 本稿では,Deep Q-Network (DQN)アルゴリズムに基づくDeep-RL手法とDouble Deep Q-Network (DDQN)アルゴリズムに基づく第2のDouble Q-Network (DDQN)アルゴリズムとの比較に焦点をあてる。 学習の低次元センシング構造を用いることで,複雑なセンシング情報を用いることなく,ナビゲーション関連タスクや障害物回避をエージェントに教えることが可能であることを示す。
  論文  参考訳（メタデータ） (2023-01-26T15:23:59Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Hyperparameter Importance of Quantum Neural Networks Across Small Datasets [1.1470070927586014]
  量子ニューラルネットワークは、ニューラルネットワークと同じような役割を果たす。 機械学習に適した回路アーキテクチャについてはほとんど知られていない。 本研究は量子機械学習モデルを研究するための新しい手法を紹介する。
  論文  参考訳（メタデータ） (2022-06-20T20:26:20Z)
• Scalable approach to many-body localization via quantum data [69.3939291118954]
  多体局在は、量子多体物理学の非常に難しい現象である。 計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。 我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
  論文  参考訳（メタデータ） (2022-02-17T19:00:09Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
  歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。 現在のワンステップアプローチには2つの大きな課題があります。 本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-22T06:19:45Z)
• Finding semi-optimal measurements for entanglement detection using Autoencoder Neural Networks [0.0]
  3つの測定値の少ない高性能エンタングルメント検出器が検出可能であることを示す。 また、状態の完全な情報を用いて、2ビットの絡み合った状態をすべてほぼ完全に識別できるニューラルネットワークを開発する。
  論文  参考訳（メタデータ） (2020-03-16T05:33:28Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。