論文の概要: Experimental Deep Reinforcement Learning for Error-Robust Gateset Design
on a Superconducting Quantum Computer
- arxiv url: http://arxiv.org/abs/2105.01079v1
- Date: Mon, 3 May 2021 18:00:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-01 17:38:42.200015
- Title: Experimental Deep Reinforcement Learning for Error-Robust Gateset Design
on a Superconducting Quantum Computer
- Title(参考訳): 超伝導量子コンピュータにおけるエラーロバストゲートセット設計のための実験的深層強化学習
- Authors: Yuval Baum, Mirko Amico, Sean Howell, Michael Hush, Maggie Liuzzi,
Pranav Mundada, Thomas Merkh, Andre R. R. Carvalho and Michael J. Biercuk
- Abstract要約: 我々は,超伝導量子コンピュータ上での誤りの量子論理ゲートを設計するために,深層強化学習を用いる。
完全自律型深部強化学習エージェントが,デフォルトのDRAG操作よりも最大3倍高速な単一キュービットゲートを設計できることを実験的に実証した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computers promise tremendous impact across applications -- and have
shown great strides in hardware engineering -- but remain notoriously error
prone. Careful design of low-level controls has been shown to compensate for
the processes which induce hardware errors, leveraging techniques from optimal
and robust control. However, these techniques rely heavily on the availability
of highly accurate and detailed physical models which generally only achieve
sufficient representative fidelity for the most simple operations and generic
noise modes. In this work, we use deep reinforcement learning to design a
universal set of error-robust quantum logic gates on a superconducting quantum
computer, without requiring knowledge of a specific Hamiltonian model of the
system, its controls, or its underlying error processes. We experimentally
demonstrate that a fully autonomous deep reinforcement learning agent can
design single qubit gates up to $3\times$ faster than default DRAG operations
without additional leakage error, and exhibiting robustness against calibration
drifts over weeks. We then show that $ZX(-\pi/2)$ operations implemented using
the cross-resonance interaction can outperform hardware default gates by over
$2\times$ and equivalently exhibit superior calibration-free performance up to
25 days post optimization using various metrics. We benchmark the performance
of deep reinforcement learning derived gates against other black box
optimization techniques, showing that deep reinforcement learning can achieve
comparable or marginally superior performance, even with limited hardware
access.
- Abstract(参考訳): 量子コンピュータはアプリケーション全体に多大な影響を与えることを約束しており、ハードウェアエンジニアリングにおいて大きな進歩を遂げている。
低レベルの制御の注意深い設計は、ハードウェアエラーを引き起こし、最適かつ堅牢な制御のテクニックを活用するプロセスに補償することが示されている。
しかし、これらの手法は、最も単純な操作と一般的なノイズモードに対して十分な代表的忠実性しか達成できない、高精度で詳細な物理モデルの可用性に大きく依存している。
本研究では,超伝導量子コンピュータ上の量子論理ゲートの普遍的なセットを設計するために,システムの特定のハミルトンモデル,その制御,あるいはその基盤となるエラープロセスの知識を必要とせず,深層強化学習を用いる。
完全自律深部強化学習エージェントは,最大3ドル(約3,300円)のキュービットゲートを既定のDRAG操作よりも高速に設計でき,何週間にもわたってキャリブレーションドリフトに対する堅牢性を示すことを実験的に実証した。
次に、クロス共振相互作用を用いて実装された$zx(-\pi/2)$操作は、ハードウェアのデフォルトゲートを2\times$以上上回り、様々なメトリクスを用いた最適化後25日以内の優れたキャリブレーションフリーパフォーマンスを示す。
深部強化学習誘導ゲートの性能を他のブラックボックス最適化手法と比較し,ハードウェアアクセスが制限された場合でも,深部強化学習は同等あるいは極端に優れた性能が得られることを示した。
関連論文リスト
- Efficient Implementation of Arbitrary Two-Qubit Gates via Unified Control [30.657387004518604]
ネイティブゲートセットは、基本量子演算の精度を管理し、量子アルゴリズムを実装する複雑さを規定する。
本稿では,任意の2ビットゲートを生成可能な統一的で多目的なゲートスキームを実験的に実証する。
一般的に使用される2量子ユニタリの広い範囲にわたって、99.37 pm 0.07%$の平均的な高忠実度を実現する。
この結果から,単一インタラクションの能力を完全に活用することで,包括的で高精度なゲートセットが得られることがわかった。
論文 参考訳(メタデータ) (2025-02-05T21:00:34Z) - Traversing Quantum Control Robustness Landscapes: A New Paradigm for Quantum Gate Engineering [0.0]
本稿では,制御パラメータを雑音感受性にマッピングする概念的フレームワークであるQuantum Control Robustness Landscape (QCRL)を紹介する。
QCRLのレベルセットをナビゲートすることで、ロバストネス不変パルス変動(RIPV)アルゴリズムは、ロバスト性を維持しながら制御パルスの変動を可能にする。
数値シミュレーションにより、我々の単一および2量子ビットゲートは、大きなノイズがあっても量子誤差補正しきい値を超えていることが示される。
論文 参考訳(メタデータ) (2024-12-27T05:56:38Z) - Reinforcement learning pulses for transmon qubit entangling gates [0.0]
連続制御強化学習アルゴリズムを用いて、超伝導量子ビットの絡み合う2ビットゲートを設計する。
標準共振ゲートよりも優れた新しいパルス列を生成する能力を示す。
論文 参考訳(メタデータ) (2023-11-07T03:19:19Z) - Fast Flux-Activated Leakage Reduction for Superconducting Quantum
Circuits [84.60542868688235]
量子ビット実装のマルチレベル構造から生じる計算部分空間から漏れること。
パラメトリックフラックス変調を用いた超伝導量子ビットの資源効率向上のためのユニバーサルリーク低減ユニットを提案する。
繰り返し重み付け安定化器測定におけるリーク低減ユニットの使用により,検出されたエラーの総数を,スケーラブルな方法で削減できることを実証した。
論文 参考訳(メタデータ) (2023-09-13T16:21:32Z) - Optimizing quantum gates towards the scale of logical qubits [78.55133994211627]
量子ゲート理論の基本的な前提は、量子ゲートはフォールトトレランスの誤差閾値を超えることなく、大きなプロセッサにスケールできるということである。
ここでは、このような問題を克服できる戦略について報告する。
我々は、68個の周波数可変ビットの周波数軌跡をコレオグラフィーして、超伝導エラー中に単一量子ビットを実行することを示した。
論文 参考訳(メタデータ) (2023-08-04T13:39:46Z) - Quantum Gate Optimization for Rydberg Architectures in the Weak-Coupling
Limit [55.05109484230879]
我々は,Rydberg tweezerシステムにおける2ビットゲートの機械学習支援設計を実演する。
我々は,高忠実度CNOTゲートを実装した最適パルス列を生成する。
単一量子ビット演算の局所的な制御は、原子列上で量子計算を行うのに十分であることを示す。
論文 参考訳(メタデータ) (2023-06-14T18:24:51Z) - Quantum circuit architecture search on a superconducting processor [56.04169357427682]
変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。
しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。
8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
論文 参考訳(メタデータ) (2022-01-04T01:53:42Z) - Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。
3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
論文 参考訳(メタデータ) (2021-08-03T17:49:09Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳(メタデータ) (2020-09-28T17:21:25Z) - Integrated tool-set for Control, Calibration and Characterization of
quantum devices applied to superconducting qubits [0.5269923665485903]
本稿では,量的精度の高いシステムモデル,高忠実度ゲート,近似誤差予算を求める手法を提案する。
校正を必要とせずに99.6%の忠実度を達成するコヒーレンス限定共振ゲートを導出する。
論文 参考訳(メタデータ) (2020-09-21T13:38:45Z)
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。