論文の概要: Measurement Based Feedback Quantum Control With Deep Reinforcement
Learning for Double-well Non-linear Potential
- arxiv url: http://arxiv.org/abs/2104.11856v2
- Date: Tue, 20 Jul 2021 02:04:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-02 13:03:47.724721
- Title: Measurement Based Feedback Quantum Control With Deep Reinforcement
Learning for Double-well Non-linear Potential
- Title(参考訳): ダブルウェル非線形ポテンシャルのための深層強化学習による計測に基づくフィードバック量子制御
- Authors: Sangkha Borah, Bijita Sarma, Michael Kewming, Gerard J. Milburn and
Jason Twamley
- Abstract要約: 我々は、非線形システムの量子進化を制御するためにDeep Reinforcement Learningを使用します。
DRLは, ほぼ純粋な猫状態に冷却する反直感的戦略を効果的に学習できることを示す。
- 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: Closed loop quantum control uses measurement to control the dynamics of a
quantum system to achieve either a desired target state or target dynamics. In
the case when the quantum Hamiltonian is quadratic in ${x}$ and ${p}$, there
are known optimal control techniques to drive the dynamics towards particular
states e.g. the ground state. However, for nonlinear Hamiltonians such control
techniques often fail. We apply Deep Reinforcement Learning (DRL), where an
artificial neural agent explores and learns to control the quantum evolution of
a highly non-linear system (double well), driving the system towards the ground
state with high fidelity. We consider a DRL strategy which is particularly
motivated by experiment where the quantum system is continuously but weakly
measured. This measurement is then fed back to the neural agent and used for
training. We show that the DRL can effectively learn counter-intuitive
strategies to cool the system to a nearly-pure `cat' state which has a high
overlap fidelity with the true ground state.
- Abstract(参考訳): クローズドループ量子制御は、測定を使用して量子システムのダイナミクスを制御し、目標状態または目標ダイナミクスのいずれかを達成する。
量子ハミルトニアンが${x}$と${p}$で二次である場合、例えば基底状態のような特定の状態に向かってダイナミクスを駆動する最適制御技術が知られている。
しかし、非線形ハミルトニアンの場合、そのような制御技術はしばしば失敗する。
人工神経エージェントが高度に非線形なシステム(二重井戸)の量子進化を探索し、制御することを学習し、高い忠実さでシステムを基底状態へと誘導する深層強化学習(DRL)を適用する。
量子系を連続的に測定するが弱い実験によって特に動機付けられたDRL戦略を考える。
この測定は、神経エージェントにフィードバックされ、トレーニングに使用されます。
DRLは, 真基底状態との重なり合いが高いほぼ純粋な「cat」状態に冷却する反直観的戦略を効果的に学習できることを示す。
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) - Model-free Distortion Canceling and Control of Quantum Devices [0.0]
深部強化学習(DRL)に基づく一般モデルフリー制御手法を提案する。
複数のNNを構成する新しいコントローラアーキテクチャを提案する。
我々は,99%以上の忠実度を有するチップの異なる目標出力分布のシーケンスを生成するよう,コントローラを訓練した。
論文 参考訳(メタデータ) (2024-07-13T12:54:57Z) - A quantum system control method based on enhanced reinforcement learning [2.70857393901228]
強化強化学習(QSC-ERL)に基づく量子システム制御法を提案する。
強化学習における状態と行動は、量子系の量子状態と制御操作にマッピングされる。
他の方法と比較して、QSC-ERLは量子システムの1倍近い忠実度学習制御を達成する。
論文 参考訳(メタデータ) (2023-09-30T03:22:44Z) - 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) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳(メタデータ) (2023-04-04T12:47:35Z) - Optimal State Manipulation for a Two-Qubit System Driven by Coherent and
Incoherent Controls [77.34726150561087]
2量子ビット量子系の最適制御には状態準備が重要である。
物理的に異なる2つのコヒーレント制御を利用し、ヒルベルト・シュミット目標密度行列を最適化する。
論文 参考訳(メタデータ) (2023-04-03T10:22:35Z) - 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) - Quantum Control based on Deep Reinforcement Learning [1.8710230264817362]
本論では,2つの単純な制御問題を考察し,それらを深層強化学習に適用する。
本稿では,強化学習が2次ケースの最適制御に匹敵する性能を達成することを示す。
量子制御問題に深層強化学習を適用するのはこれが初めてである。
論文 参考訳(メタデータ) (2022-12-14T18:12:26Z) - 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) - On optimization of coherent and incoherent controls for two-level
quantum systems [77.34726150561087]
本稿では、閉かつオープンな2レベル量子系の制御問題について考察する。
閉系の力学は、コヒーレント制御を持つシュリンガー方程式によって支配される。
開系の力学はゴリーニ=コサコフスキー=スダルシャン=リンドブラッドのマスター方程式によって支配される。
論文 参考訳(メタデータ) (2022-05-05T09:08:03Z) - 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)
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。