論文の概要: Bilinear dynamic mode decomposition for quantum control

• arxiv url: http://arxiv.org/abs/2010.14577v2
• Date: Wed, 2 Dec 2020 17:23:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 08:34:01.570394
• Title: Bilinear dynamic mode decomposition for quantum control
• Title（参考訳）: 量子制御のための双線形動的モード分解
• Authors: Andy Goldschmidt, Eurika Kaiser, Jonathan L. Dubois, Steven L. Brunton, J. Nathan Kutz
• Abstract要約: 本研究では,データ駆動型回帰手法である双線形動的モード分解(biDMD)を開発し,時系列測定を用いてQOCの量子システム同定を行う。 本研究は,いくつかの代表量子系に対するアプローチの有効性と性能を実証し,実験結果と一致したことを示す。
• 参考スコア（独自算出の注目度）: 4.069849286089743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven methods for establishing quantum optimal control (QOC) using time-dependent control pulses tailored to specific quantum dynamical systems and desired control objectives are critical for many emerging quantum technologies. We develop a data-driven regression procedure, bilinear dynamic mode decomposition (biDMD), that leverages time-series measurements to establish quantum system identification for QOC. The biDMD optimization framework is a physics-informed regression that makes use of the known underlying Hamiltonian structure. Further, the biDMD can be modified to model both fast and slow sampling of control signals, the latter by way of stroboscopic sampling strategies. The biDMD method provides a flexible, interpretable, and adaptive regression framework for real-time, online implementation in quantum systems. Further, the method has strong theoretical connections to Koopman theory, which approximates non-linear dynamics with linear operators. In comparison with many machine learning paradigms, it requires minimal data and the biDMD model is easily updated as new data is collected. We demonstrate the efficacy and performance of the approach on a number of representative quantum systems, showing that it also matches experimental results.
• Abstract（参考訳）: 特定の量子力学系に適した時間依存制御パルスを用いて量子最適制御(QOC)を確立するためのデータ駆動手法は、多くの新興量子技術において重要である。 我々は,時系列計測を利用してqocの量子システム同定を行うデータ駆動回帰手法bilinear dynamic mode decomposition (bidmd) を開発した。 BiDMD最適化フレームワークは、既知のハミルトン構造を利用する物理インフォームド回帰である。 さらに、二DMDは、制御信号の高速サンプリングと低速サンプリングの両方を、ストロボスコープサンプリング戦略によりモデル化することができる。 BiDMD法は、量子システムにおけるリアルタイムオンライン実装のためのフレキシブルで解釈可能な適応回帰フレームワークを提供する。 さらに、この方法は、線型作用素の非線形ダイナミクスを近似するkoopman理論と強い理論的関係を持つ。 多くの機械学習パラダイムと比較して、最小限のデータが必要であり、新しいデータが収集されるにつれてバイDMDモデルは容易に更新される。 本稿では,いくつかの代表量子系に対するアプローチの有効性と性能を実証し,実験結果と一致することを示す。

関連論文リスト

• Neural Projected Quantum Dynamics: a systematic study [0.0]
  ニューラル量子状態を用いた大規模システムにおけるユニタリ量子力学のシミュレーションの課題に対処する。 この研究は、予測時間依存変分モンテカルロ法(p-tVMC)の包括的な形式化を提供する。
  論文  参考訳（メタデータ） (2024-10-14T17:01:33Z)
• Higher order quantum reservoir computing for non-intrusive reduced-order models [0.0]
  量子貯水池計算技術(QRC)は、相互接続された小さな量子系のアンサンブルを利用するハイブリッド量子古典的フレームワークである。 QRCは, 複雑な非線形力学系を安定かつ高精度に予測できることを示す。
  論文  参考訳（メタデータ） (2024-07-31T13:37:04Z)
• Data-Driven Characterization of Latent Dynamics on Quantum Testbeds [0.23408308015481663]
  我々は、パラメータ化された元項でリンドブラッドマスター方程式によって記述された量子系の力学方程式を拡大する。 本稿では,線形演算子に基づいてパラメータ化された発散潜在力学からユニタリを学習し,区別する拡張を保存する構造について考察する。 我々は、我々の解釈、構造保存、非線形モデルがリンドブラッドマスター方程式の予測精度を向上させることを実証した。
  論文  参考訳（メタデータ） (2024-01-18T09:28:44Z)
• Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
  そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。 ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
  論文  参考訳（メタデータ） (2024-01-09T11:54:54Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Controlling quantum many-body systems using reduced-order modelling [0.0]
  本稿では,多体量子システムにおける制御問題のクラスを解くための効率的な手法を提案する。 もともとのサブシステムの「デジタルツイン」と見なされる、そのような縮小順序モデルの力学のシミュレーションは、はるかに効率的である。 この結果は、多体システムの研究、非自明な準粒子特性の探索、および量子コンピューティングデバイスの開発管理ツールに直接応用される。
  論文  参考訳（メタデータ） (2022-11-01T13:58:44Z)
• 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)
• Modeling Time-Dependent Systems using Dynamic Quantum Bayesian Networks [1.14219428942199]
  動的量子ベイズネットワーク(DQBN)を用いた時間依存システム挙動のモデル化について検討する。 本稿では,DBNのモデリング能力と量子振幅増幅の計算的利点を組み合わせて,時間依存システムの効率的なモデリングと制御を行う。 提案するDQBNフレームワークをIBM Qハードウェア上で実装し,その性能を従来のDBN実装とIBM Qiskitシミュレータと比較する。
  論文  参考訳（メタデータ） (2021-07-01T19:41:28Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)
• Online Reinforcement Learning Control by Direct Heuristic Dynamic Programming: from Time-Driven to Event-Driven [80.94390916562179]
  時間駆動学習は、新しいデータが到着すると予測モデルのパラメータを継続的に更新する機械学習手法を指す。 ノイズなどの重要なシステムイベントによる時間駆動型dHDPの更新を防止することが望ましい。 イベント駆動型dHDPアルゴリズムは,従来の時間駆動型dHDPと比較して動作することを示す。
  論文  参考訳（メタデータ） (2020-06-16T05:51:25Z)

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。