論文の概要: Reinforcement Learning for Many-Body Ground-State Preparation Inspired
by Counterdiabatic Driving
- arxiv url: http://arxiv.org/abs/2010.03655v2
- Date: Sun, 3 Oct 2021 03:41:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 00:30:58.886742
- Title: Reinforcement Learning for Many-Body Ground-State Preparation Inspired
by Counterdiabatic Driving
- Title（参考訳）: 反断熱駆動による多体地中準備のための強化学習
- Authors: Jiahao Yao, Lin Lin, Marin Bukov
- Abstract要約: CD-QAOAは量子多体システム向けに設計され、強化学習(RL)アプローチを用いて最適化されている。
本研究では,アディベートゲージ電位の項を付加的な制御ユニタリの生成元として用いることで,アディベート状態から高速な多体制御を実現することができることを示す。
この研究は、量子多体制御のために、ディープラーニングによる最近の成功を取り入れる道を開いた。
- 参考スコア（独自算出の注目度）: 2.5614220901453333
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The quantum alternating operator ansatz (QAOA) is a prominent example of
variational quantum algorithms. We propose a generalized QAOA called CD-QAOA,
which is inspired by the counterdiabatic driving procedure, designed for
quantum many-body systems and optimized using a reinforcement learning (RL)
approach. The resulting hybrid control algorithm proves versatile in preparing
the ground state of quantum-chaotic many-body spin chains by minimizing the
energy. We show that using terms occurring in the adiabatic gauge potential as
generators of additional control unitaries, it is possible to achieve fast
high-fidelity many-body control away from the adiabatic regime. While each
unitary retains the conventional QAOA-intrinsic continuous control degree of
freedom such as the time duration, we consider the order of the multiple
available unitaries appearing in the control sequence as an additional discrete
optimization problem. Endowing the policy gradient algorithm with an
autoregressive deep learning architecture to capture causality, we train the RL
agent to construct optimal sequences of unitaries. The algorithm has no access
to the quantum state, and we find that the protocol learned on small systems
may generalize to larger systems. By scanning a range of protocol durations, we
present numerical evidence for a finite quantum speed limit in the
nonintegrable mixed-field spin-1/2 Ising and Lipkin-Meshkov-Glick models, and
for the suitability to prepare ground states of the spin-1 Heisenberg chain in
the long-range and topologically ordered parameter regimes. This work paves the
way to incorporate recent success from deep learning for the purpose of quantum
many-body control.
- Abstract（参考訳）: 量子交互演算子 ansatz (QAOA) は変分量子アルゴリズムの顕著な例である。
本稿では,量子多体システム用に設計され,強化学習(RL)アプローチを用いて最適化された,反断熱駆動法にヒントを得た一般化QAOACD-QAOAを提案する。
その結果得られたハイブリッド制御アルゴリズムは、エネルギーを最小化することで量子カオス多体スピンチェーンの基底状態を作成するのに汎用性が証明される。
本研究では,アディベートゲージ電位の項を付加的な制御ユニタリの生成元として用いることで,アディベート状態から高速な多体制御を実現することができることを示す。
各ユニタリは、時間などの従来のQAOA固有の連続制御自由度を保持するが、制御シーケンスに現れる複数の利用可能なユニタリの順序は、追加の離散最適化問題として考慮する。
ポリシー勾配アルゴリズムを自己回帰的深層学習アーキテクチャを使って因果関係を捉えることにより、RLエージェントを訓練してユニタリの最適なシーケンスを構築する。
このアルゴリズムは量子状態にアクセスできず、小さなシステムで学習したプロトコルがより大きなシステムに一般化される可能性がある。
非可積分な混合場スピン1/2イジングおよびリプキン・メシュコフ・グリク模型における有限量子速度限界の数値的証明と、スピン-1ハイゼンベルク鎖の長距離および位相的に順序付けられたパラメータレジームにおける基底状態の調製適性を示す。
この研究は、量子多体制御のために、ディープラーニングによる最近の成功を取り入れる道を開いた。
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) - Optimal control in large open quantum systems: the case of transmon readout and reset [44.99833362998488]
本稿では, 随伴状態法と逆時間バックプロパゲーションを組み合わせることで, 極めて大規模なオープンシステム量子制御問題を解く枠組みを提案する。
超伝導量子ビットにおける2つの本質的に散逸する演算を最適化するために、この枠組みを適用した。
システムパラメータの固定化により,制御パルスの形状は両操作の忠実度と持続時間において2倍の改善が得られた。
論文 参考訳（メタデータ） (2024-03-21T18:12:51Z) - 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) - 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) - Quantum Gate Generation in Two-Level Open Quantum Systems by Coherent
and Incoherent Photons Found with Gradient Search [77.34726150561087]
我々は、非コヒーレント光子によって形成される環境を、非コヒーレント制御によるオープン量子系制御の資源とみなす。
我々は、ハミルトニアンにおけるコヒーレント制御と、時間依存デコヒーレンス率を誘導する散逸器における非コヒーレント制御を利用する。
論文 参考訳（メタデータ） (2023-02-28T07:36:02Z) - Multi-squeezed state generation and universal bosonic control via a
driven quantum Rabi model [68.8204255655161]
ボゾン自由度に対する普遍的な制御は、量子ベース技術の探求において鍵となる。
ここでは、駆動量子ラビモデルを介して、ボソニックモードの興味と相互作用する単一の補助的な2レベルシステムを考える。
ガウス門と非ガウス門の大きな類を決定論的に実現することは十分であることを示す。
論文 参考訳（メタデータ） (2022-09-16T14:18:53Z) - Optimal quantum control via genetic algorithms for quantum state
engineering in driven-resonator mediated networks [68.8204255655161]
進化的アルゴリズムに基づく量子状態工学には、機械学習によるアプローチを採用しています。
我々は、単一のモード駆動マイクロ波共振器を介して相互作用する、量子ビットのネットワーク(直接結合のない人工原子の状態に符号化された)を考える。
アルゴリズムは理想的なノイズフリー設定で訓練されているにもかかわらず、高い量子忠実度とノイズに対するレジリエンスを観測する。
論文 参考訳（メタデータ） (2022-06-29T14:34:00Z) - Optimal steering of matrix product states and quantum many-body scars [0.0]
行列積状態(MPS)に基づく量子系制御へのアプローチを定式化する。
本稿では,局所的ステアリング問題(ローカルステアリング問題)に対する反断熱・漏れ最小化手法について比較する。
リークベースのアプローチは、一般的に反断熱フレームワークよりも優れています。
論文 参考訳（メタデータ） (2022-04-06T15:34:27Z) - 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) - Quantum control landscape for ultrafast generation of single-qubit phase
shift quantum gates [68.8204255655161]
単一量子ビット位相シフト量子ゲートの超高速制御問題を考える。
大域的最適制御は、最大忠実度でゲートを実現する制御である。
Trapは、ローカルにのみ最適だが、グローバルにはないコントロールである。
論文 参考訳（メタデータ） (2021-04-26T16:38:43Z) - Noise-Robust End-to-End Quantum Control using Deep Autoregressive Policy
Networks [2.5946789143276447]
変分量子固有解法は、量子コンピューティングデバイスの使用を可能にするため、近年注目を集めている。
不確実性のある方法で連続的および離散的な自由度を同時に最適化できるハイブリッドポリシグラデーショングラデーションアルゴリズムを提案する。
我々の研究は、強化学習と量子制御の相乗効果を示す。
論文 参考訳（メタデータ） (2020-12-12T02:13:28Z)
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。