論文の概要: Deep reinforcement learning for universal quantum state preparation via dynamic pulse control

• arxiv url: http://arxiv.org/abs/2012.00326v2
• Date: Wed, 4 Aug 2021 12:58:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-22 12:18:01.711253
• Title: Deep reinforcement learning for universal quantum state preparation via dynamic pulse control
• Title（参考訳）: 動的パルス制御による普遍量子状態生成のための深部強化学習
• Authors: Run-Hong He, Rui Wang, Jing Wu, Shen-Shuang Nie, Jia-Hui Zhang and Zhao-Ming Wang
• Abstract要約: 本稿では,半導体二重量子ドットにおける任意の初期状態から,特定の単一あるいは2量子のターゲット状態を作成する方法について検討する。 本手法は,多数の準備作業におけるネットワークのトレーニングに基づく。 その結果、ネットワークが十分に訓練されると、連続ヒルベルト空間の任意の初期状態に対して作用することを示した。
• 参考スコア（独自算出の注目度）: 12.914223727324561
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate and efficient preparation of quantum state is a core issue in building a quantum computer. In this paper, we investigate how to prepare a certain single- or two-qubit target state from arbitrary initial states in semiconductor double quantum dots with the aid of deep reinforcement learning. Our method is based on the training of the network over numerous preparing tasks. The results show that once the network is well trained, it works for any initial states in the continuous Hilbert space. Thus repeated training for new preparation tasks is avoided. Our scheme outperforms the traditional optimization approaches based on gradient with both the higher designing efficiency and the preparation quality in discrete control space. Moreover, we find that the control trajectories designed by our scheme are robust against static and dynamic fluctuations, such as charge and nuclear noises.
• Abstract（参考訳）: 量子状態の正確かつ効率的な準備は、量子コンピュータを構築する際の中核的な問題である。 本稿では,半導体二重量子ドットの任意の初期状態から,深い強化学習の助けを借りて,特定の単一あるいは2量子のターゲット状態を作成する方法について検討する。 本手法は,多数の準備作業におけるネットワークのトレーニングに基づく。 その結果、ネットワークが十分に訓練されると、連続ヒルベルト空間の任意の初期状態に対して作用することを示した。 これにより、新しい準備作業の繰り返しの訓練は避けられる。 提案手法は, 設計効率の向上と離散制御空間の調整品質の両立により, 従来の最適化手法よりも優れている。 さらに,提案方式で設計した制御軌道は,電荷や核雑音などの静的および動的変動に対して頑健であることがわかった。

関連論文リスト

• Arbitrary quantum states preparation aided by deep reinforcement learning [0.89059457062394]
  2つの任意の量子状態間の制御軌道設計を実現するために、初期状態と目標状態情報を状態準備タスクに統合する。 その結果, 制御軌道は, 単一量子ビット系と2量子ビット系の両方に対して, 任意の量子状態の準備を効果的に達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-23T10:28:52Z)
• A Reinforcement Learning Environment for Directed Quantum Circuit Synthesis [4.646930308096446]
  本研究は量子回路合成のための強化学習環境を導入する。 回路は、特定の目標状態を作成するためにクリフォード+Tゲートセットのゲートを利用して構築される。 トレーニングされたエージェントをベンチマークテストに適用することにより、最小限の量子回路を確実に設計できることを実証した。
  論文  参考訳（メタデータ） (2024-01-13T11:55:54Z)
• 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)
• Auxiliary Task-based Deep Reinforcement Learning for Quantum Control [1.9365303082741054]
  量子制御のための補助タスクベース深部強化学習(AT-DRL)を提案する。 提案したAT-DRLは、量子システムにおけるスパース報酬の解決策を提供することができる。
  論文  参考訳（メタデータ） (2023-02-28T05:08:42Z)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Learning Representations for CSI Adaptive Quantization and Feedback [51.14360605938647]
  本稿では,周波数分割二重化システムにおける適応量子化とフィードバックの効率的な手法を提案する。 既存の研究は主に、CSI圧縮のためのオートエンコーダ(AE)ニューラルネットワークの実装に焦点を当てている。 1つはポストトレーニング量子化に基づくもので、もう1つはAEのトレーニング中にコードブックが見つかる方法である。
  論文  参考訳（メタデータ） (2022-07-13T08:52:13Z)
• State Preparation Boosters for Early Fault-Tolerant Quantum Computation [0.0]
  本研究では, 基底状態の重なりを確実に増大させるために, 制限深度量子回路を用いた基底状態昇降法を提案する。 ブースターと呼ばれるこの回路は、VQEからアンザッツを増量したり、スタンドアローン状態準備法として使用することができる。
  論文  参考訳（メタデータ） (2022-02-14T19:00:13Z)
• Universal quantum state preparation via revised greedy algorithm [2.718317980347176]
  量子状態生成を実現するために動的パルスを設計するための改訂版を提案する。 本稿では,半導体量子ドットと超伝導回路のコンテキストにおいて,単一量子状態と2量子状態の普遍的な生成に本方式を適用した。
  論文  参考訳（メタデータ） (2021-08-07T02:44:15Z)
• Experimental multi-state quantum discrimination through a Quantum network [63.1241529629348]
  我々は,ネットワーク構造に特徴付けられる受信機と情報処理の動的処理に基づいて,最小エラーシナリオにおいて2つの識別方式を実験的に実装した。 第1のプロトコルはバイナリ最適識別を実現し、第2のプロトコルは、ネットワークライク受信機の動的特徴に依存するマルチステート量子識別に対する新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2021-07-21T09:26:48Z)
• Gradient $\ell_1$ Regularization for Quantization Robustness [70.39776106458858]
  トレーニング後の量子化に対するロバスト性を改善するための単純な正規化スキームを導出する。 量子化対応ネットワークをトレーニングすることにより、異なるビット幅にオンデマンドで量子化できる1組の重みを格納できる。
  論文  参考訳（メタデータ） (2020-02-18T12:31:34Z)

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。