論文の概要: Quantum-tailored machine-learning characterization of a superconducting
qubit
- arxiv url: http://arxiv.org/abs/2106.13126v1
- Date: Thu, 24 Jun 2021 15:58:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-25 16:10:31.476588
- Title: Quantum-tailored machine-learning characterization of a superconducting
qubit
- Title(参考訳): 量子調整機械学習による超伝導量子ビットのキャラクタリゼーション
- Authors: \'Elie Genois, Jonathan A. Gross, Agustin Di Paolo, Noah J. Stevenson,
Gerwin Koolstra, Akel Hashim, Irfan Siddiqi and Alexandre Blais
- Abstract要約: 我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
- 参考スコア(独自算出の注目度): 50.591267188664666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) is a promising approach for performing challenging
quantum-information tasks such as device characterization, calibration and
control. ML models can train directly on the data produced by a quantum device
while remaining agnostic to the quantum nature of the learning task. However,
these generic models lack physical interpretability and usually require large
datasets in order to learn accurately. Here we incorporate features of quantum
mechanics in the design of our ML approach to characterize the dynamics of a
quantum device and learn device parameters. This physics-inspired approach
outperforms physics-agnostic recurrent neural networks trained on numerically
generated and experimental data obtained from continuous weak measurement of a
driven superconducting transmon qubit. This demonstration shows how leveraging
domain knowledge improves the accuracy and efficiency of this characterization
task, thus laying the groundwork for more scalable characterization techniques.
- Abstract(参考訳): 機械学習(ML)は、デバイスキャラクタリゼーション、キャリブレーション、制御といった挑戦的な量子情報タスクを実行するための有望なアプローチである。
MLモデルは、学習タスクの量子的性質に依存せず、量子デバイスによって生成されたデータを直接トレーニングすることができる。
しかし、これらのジェネリックモデルは物理的解釈性に欠けており、正確に学習するには、通常大きなデータセットを必要とする。
ここでは、量子装置のダイナミクスを特徴付け、デバイスパラメータを学習するためのmlアプローチの設計に量子力学の特徴を取り入れる。
この物理学に触発されたアプローチは、駆動型超伝導量子ビットの連続的弱測定から得られた数値生成および実験データに基づいて訓練された物理非依存なリカレントニューラルネットワークよりも優れている。
このデモンストレーションでは、ドメイン知識の活用によって、この特徴付け作業の正確性と効率が向上し、よりスケーラブルな特徴付け技術の基礎を築いた。
関連論文リスト
- Quantum circuit synthesis with diffusion models [0.7366405857677227]
我々は、この変換を促進するために、生成機械学習モデル、特に拡散モデル(DM)をデノナイズする。
我々は、ゲートベースの量子回路内で所望の量子演算を生成するために、このモデルを操縦する。
我々は、DMを量子回路合成の重要な要素として想定し、実用的な応用だけでなく、理論的量子計算に関する洞察も強化する。
論文 参考訳(メタデータ) (2023-11-03T17:17:08Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳(メタデータ) (2023-06-29T18:00:01Z) - Measurement-induced entanglement and teleportation on a noisy quantum
processor [105.44548669906976]
最大70個の超伝導量子ビット上の測定誘起量子情報相について検討した。
二重性マッピングを用いて、中間回路の測定を回避し、基礎となる位相の異なる表現にアクセスする。
我々の研究は、現在のNISQプロセッサの限界であるスケールでの計測誘起物理を実現するためのアプローチを示す。
論文 参考訳(メタデータ) (2023-03-08T18:41:53Z) - Neural networks for Bayesian quantum many-body magnetometry [0.0]
絡み合った量子多体系は、個々の量子検出器のアンサンブルで達成可能な精度よりも大きいパラメータを推定できるセンサーとして使用できる。
このことは、ベイズ推論手法の適用性を妨げうる複雑さを伴っている。
量子多体センサの力学を忠実に再現するニューラルネットワークを用いて、これらの問題を回避する方法を示す。
論文 参考訳(メタデータ) (2022-12-22T22:13:49Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - Improved Tomographic Estimates by Specialised Neural Networks [0.0]
ニューラルネットワーク(NN)は、畳み込み段階を含むことにより、パラメータのトモグラフィー推定を改善することができることを示す。
シミュレーションデータのみを用いてネットワークをトレーニングすることにより,安定かつ信頼性の高い操作が実現可能であることを示す。
論文 参考訳(メタデータ) (2022-11-21T17:15:23Z) - Potential and limitations of quantum extreme learning machines [55.41644538483948]
本稿では,QRCとQELMをモデル化するフレームワークを提案する。
我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
論文 参考訳(メタデータ) (2022-10-03T09:32:28Z) - Direct parameter estimations from machine-learning enhanced quantum
state tomography [3.459382629188014]
機械学習による量子状態トモグラフィ(QST)は、量子状態に関する完全な情報を抽出する際の利点を実証している。
我々は,目標パラメータを直接生成することにより,高性能で軽量で容易に教師付き特性モデルを構築する。
このような特性モデルに基づく ML-QST は、ヒルベルト空間を扱う問題を回避することができるが、高い精度で特徴抽出を維持することができる。
論文 参考訳(メタデータ) (2022-03-30T15:16:02Z) - Robustly learning the Hamiltonian dynamics of a superconducting quantum
processor [0.5970211604529563]
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、アナログ力学量子シミュレーションの完全で高精度な実装である。
論文 参考訳(メタデータ) (2021-08-18T18:01:01Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳(メタデータ) (2020-01-15T18:36:53Z)
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。