論文の概要: Deep reinforcement learning for quantum Hamiltonian engineering
- arxiv url: http://arxiv.org/abs/2102.13161v1
- Date: Thu, 25 Feb 2021 20:44:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-09 22:31:14.846055
- Title: Deep reinforcement learning for quantum Hamiltonian engineering
- Title（参考訳）: 量子ハミルトン工学のための深部強化学習
- Authors: Pai Peng, Xiaoyang Huang, Chao Yin, Linta Joseph, Chandrasekhar
Ramanathan, Paola Cappellaro
- Abstract要約: 深部強化学習技術を用いてハミルトン工学的シーケンスを数値的に探索する。
本研究では, 固体核磁気共鳴量子シミュレータにおいて, 卓越した配列より優れていることを示す。
- 参考スコア（独自算出の注目度）: 6.632380923836344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Engineering desired Hamiltonian in quantum many-body systems is essential for
applications such as quantum simulation, computation and sensing. Conventional
quantum Hamiltonian engineering sequences are designed using human intuition
based on perturbation theory, which may not describe the optimal solution and
is unable to accommodate complex experimental imperfections. Here we
numerically search for Hamiltonian engineering sequences using deep
reinforcement learning (DRL) techniques and experimentally demonstrate that
they outperform celebrated sequences on a solid-state nuclear magnetic
resonance quantum simulator. As an example, we aim at decoupling
strongly-interacting spin-1/2 systems. We train DRL agents in the presence of
different experimental imperfections and verify robustness of the output
sequences both in simulations and experiments. Surprisingly, many of the
learned sequences exhibit a common pattern that had not been discovered before,
to our knowledge, but has an meaningful analytical description. We can thus
restrict the searching space based on this control pattern, allowing to search
for longer sequences, ultimately leading to sequences that are robust against
dominant imperfections in our experiments. Our results not only demonstrate a
general method for quantum Hamiltonian engineering, but also highlight the
importance of combining black-box artificial intelligence with understanding of
physical system in order to realize experimentally feasible applications.
- Abstract（参考訳）: 量子多体系における工学的所望のハミルトニアンは、量子シミュレーション、計算、センシングなどの応用に必須である。
従来の量子ハミルトニアン工学シーケンスは摂動理論に基づく人間の直観を用いて設計されており、最適解を記述せず、複雑な実験的な欠陥に対応できない。
ここでは、深部強化学習(DRL)技術を用いてハミルトンの工学的シーケンスを数値的に探索し、固体核磁気共鳴量子シミュレータ上での卓越したシーケンスよりも優れていることを示す。
例えば、強く相互作用するスピン-1/2系を分離することを目指す。
我々は,異なる実験欠陥が存在する場合にDRLエージェントを訓練し,シミュレーションと実験の両方において出力シーケンスの堅牢性を検証する。
驚くべきことに、多くの学習されたシーケンスは、我々の知識では発見されていない共通のパターンを示しているが、意味のある分析的な記述を持っている。
したがって、この制御パターンに基づいて探索空間を制限することができ、より長いシーケンスを探索することができ、最終的に実験における支配的不完全に対して頑健な配列へと導かれる。
本研究は,量子ハミルトン工学の一般的な手法を示すだけでなく,ブラックボックス型人工知能と物理システムの理解を組み合わせることによって,実験的に実現可能な応用を実現することの重要性を浮き彫りにする。
関連論文リスト
- Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Demonstration of a variational quantum eigensolver with a solid-state spin system under ambient conditions [15.044543674753308]
量子シミュレータは、物理系の量子的性質を利用して別の物理系を研究する能力を提供する。
変分量子固有解法アルゴリズムは分子電子構造の研究に特に有望な応用である。
スピンベースの固体量子ビットは、長いデコヒーレンス時間と高忠実度量子ゲートの利点がある。
論文 参考訳（メタデータ） (2024-07-23T09:17:06Z) - Expanding Hardware-Efficiently Manipulable Hilbert Space via Hamiltonian
Embedding [9.219297088819634]
多くの有望な量子アプリケーションは指数的に大きなスパースハミルトニアンの効率的な量子シミュレーションに依存する。
本稿では,ハミルトニアン埋め込みという手法を提案する。
このテクニックは、より大きくより構造化された量子系の進化にそれを埋め込むことによって、望ましいスパース・ハミルトンをシミュレートする。
論文 参考訳（メタデータ） (2024-01-16T18:19:29Z) - Robust Hamiltonian Engineering for Interacting Qudit Systems [50.591267188664666]
我々は、強く相互作用するキューディット系のロバストな動的疎結合とハミルトン工学の定式化を開発する。
本研究では,これらの手法を,スピン-1窒素空洞中心の強相互作用・無秩序なアンサンブルで実験的に実証した。
論文 参考訳（メタデータ） (2023-05-16T19:12:41Z) - Trapped-Ion Quantum Simulation of Collective Neutrino Oscillations [55.41644538483948]
量子計算を用いて,Nニュートリノ系のコヒーレントな集団振動を2成分近似でシミュレートする手法について検討した。
第2次トロッタースズキ公式を用いたゲート複雑性は,量子信号処理などの他の分解方法よりも,システムサイズに優れることがわかった。
論文 参考訳（メタデータ） (2022-07-07T09:39:40Z) - Verifying quantum information scrambling dynamics in a fully
controllable superconducting quantum simulator [0.0]
アナログ超伝導量子シミュレーターを用いて, 1次元スピンチェーンにおいて, 個々の駆動条件と結合条件の符号と値が完全に制御可能であることを示す。
我々の研究は超伝導系を強力な量子シミュレータとして実証している。
論文 参考訳（メタデータ） (2021-12-21T13:41:47Z) - Robustly learning the Hamiltonian dynamics of a superconducting quantum processor [0.5564835829075486]
超伝導量子ビットアナログ量子シミュレータにおけるボソニック励起のフリーハミルトニアンパラメータを強く推定する。
この結果は、動的量子シミュレーションの正確な実装を構成する。
論文 参考訳（メタデータ） (2021-08-18T18:01:01Z) - Engineering analog quantum chemistry Hamiltonians using cold atoms in
optical lattices [69.50862982117127]
数値的なアナログシミュレータの動作条件をベンチマークし、要求の少ない実験装置を見出す。
また、離散化と有限サイズ効果により生じるシミュレーションの誤差についてより深く理解する。
論文 参考訳（メタデータ） (2020-11-28T11:23:06Z) - Entanglement Hamiltonian Tomography in Quantum Simulation [0.0]
量子シミュレータの絡み合いは、今日の中間スケール量子デバイスの時代において顕著な課題である。
本稿では, スピン系の密度行列と絡み合ったスペクトルを再構成するための効率的なトモグラフィープロトコルについて論じる。
数値シミュレーションを用いて1次元の長距離Isingモデルのプロトコルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2020-09-18T18:12:22Z) - Simulating nonnative cubic interactions on noisy quantum machines [65.38483184536494]
量子プロセッサは、ハードウェアに固有のものではないダイナミクスを効率的にシミュレートするためにプログラムできることを示す。
誤差補正のないノイズのあるデバイスでは、モジュールゲートを用いて量子プログラムをコンパイルするとシミュレーション結果が大幅に改善されることを示す。
論文 参考訳（メタデータ） (2020-04-15T05:16:24Z)
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。