論文の概要: Neural Network Based Qubit Environment Characterization

• arxiv url: http://arxiv.org/abs/2110.05465v1
• Date: Mon, 11 Oct 2021 17:55:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-11 18:59:08.661673
• Title: Neural Network Based Qubit Environment Characterization
• Title（参考訳）: ニューラルネットワークを用いたクビット環境評価
• Authors: Miha Papi\v{c} and In\'es de Vega
• Abstract要約: 本稿では,キュービットコヒーレンスの単一測定に基づいて,そのような環境に関する情報を推測する方法を示す。 観測された量子ビット力学と環境中の不純物との関係の複雑さは、この問題を機械学習手法に理想的なものにしている。
• 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: The exact microscopic structure of the environments that produces $1/f$ noise in superconducting qubits remains largely unknown, hindering our ability to have robust simulations and harness the noise. In this paper we show how it is possible to infer information about such an environment based on a single measurement of the qubit coherence, circumventing any need for separate spectroscopy experiments. Similarly to other spectroscopic techniques, the qubit is used as a probe which interacts with its environment. The complexity of the relationship between the observed qubit dynamics and the impurities in the environment makes this problem ideal for machine learning methods - more specifically neural networks. With our algorithm we are able to reconstruct the parameters of the most prominent impurities in the environment, as well as differentiate between different environment models, paving the way towards a better understanding of $1/f$ noise in superconducting circuits.
• Abstract（参考訳）: 超伝導量子ビットで1/f$のノイズを発生させる環境の正確な微視的構造はほとんど不明であり、ロバストなシミュレーションとノイズの活用を妨げている。 本稿では,キュービットコヒーレンスの単一測定に基づいて,そのような環境に関する情報を推測し,別個の分光実験の必要性を回避する方法について述べる。 他の分光法と同様に、クビットはその環境と相互作用するプローブとして用いられる。 観測された量子ビットダイナミクスと環境の不純物との関係の複雑さは、この問題を機械学習手法(特にニューラルネットワーク)に理想的だ。 我々のアルゴリズムでは、環境における最も顕著な不純物のパラメータを再構成し、異なる環境モデルを区別し、超伝導回路における1/f$のノイズをよりよく理解するための道を開くことができる。

関連論文リスト

• Neural Acoustic Context Field: Rendering Realistic Room Impulse Response With Neural Fields [61.07542274267568]
  このレターでは、音声シーンをパラメータ化するためのNACFと呼ばれる新しいニューラルネットワークコンテキストフィールドアプローチを提案する。 RIRのユニークな性質により、時間相関モジュールとマルチスケールエネルギー崩壊基準を設計する。 実験の結果,NACFは既存のフィールドベース手法よりも顕著なマージンで優れていた。
  論文  参考訳（メタデータ） (2023-09-27T19:50:50Z)
• Spatio-temporal correlations of noise in MOS spin qubits [0.2981781876202281]
  我々は、周波数成分と時間成分の両方に信号を分解して、システム内のノイズ源についてより深い知見を得る方法を示す。 一対のSiMOS量子ドットにおける最先端2量子ビットシステム上での長いフィードバック実験に本解析を適用した。
  論文  参考訳（メタデータ） (2023-09-21T23:45:14Z)
• Spectral Density Classification For Environment Spectroscopy [44.99833362998488]
  環境の特徴を再構築するために,機械学習技術の可能性を活用する。 スピンボソンモデルの関連する例としては、環境のオーミック性パラメータをOhmic、sub-Ohmic、Super-Ohmicのいずれかとして高精度に分類することができる。
  論文  参考訳（メタデータ） (2023-08-01T20:42:59Z)
• Deep learning enhanced noise spectroscopy of a spin qubit environment [5.186945902380689]
  実験により、ニューラルネットワークを用いることで、ノイズスペクトロスコピーの精度を高い精度で向上させることができることを示す。 ディープラーニングモデルは、標準的なDDノイズ分光法よりも正確である。
  論文  参考訳（メタデータ） (2023-01-12T15:28:36Z)
• Toward deep-learning-assisted spectrally-resolved imaging of magnetic noise [52.77024349608834]
  本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。 これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
  論文  参考訳（メタデータ） (2022-08-01T19:18:26Z)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)
• Optical flow-based branch segmentation for complex orchard environments [73.11023209243326]
  シミュレーションでは、シミュレーションでは、シミュレーションされたRGBデータと光フローのみを用いてニューラルネットワークシステムを訓練する。 このニューラルネットワークは、忙しい果樹園環境において、追加の現実世界のトレーニングや、標準カメラ以外の特別な設定や機器を使用することなく、前景の枝のセグメンテーションを行うことができる。 その結果,本システムは高精度であり,手動ラベル付きRGBDデータを用いたネットワークと比較すると,トレーニングセットと異なる環境において,より一貫性と堅牢性を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-02-26T03:38:20Z)
• Non-perfect propagation of information to noisy environment with self-evolution [0.11719282046304676]
  進化する低次元環境への情報の非完全伝播について検討する。 3つの相互作用量子ビットのモデルに対する客観性パラメーターを導出する。
  論文  参考訳（メタデータ） (2022-01-27T16:04:09Z)
• QuTiP-BoFiN: A bosonic and fermionic numerical hierarchical-equations-of-motion library with applications in light-harvesting, quantum control, and single-molecule electronics [51.15339237964982]
  階層運動方程式 (HEOM) は力学を解くための強力な正確な数値的手法である。 固体物理学、光学、単分子電子工学、生物物理学の問題に拡張され応用されている。 ボソニック環境とフェルミオン環境の両方にHEOMを実装した強力なQuTiPプラットフォームと統合したPythonの数値ライブラリを提案する。
  論文  参考訳（メタデータ） (2020-10-21T07:54:56Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)
• Using deep learning to understand and mitigate the qubit noise environment [0.0]
  本稿では,量子ビット上の時間力学測定から正確な雑音スペクトルを抽出する手法を提案する。 任意の浴槽に囲まれた任意のキュービットに付随する雑音スペクトルを抽出するニューラルネットワークに基づく手法を実証する。 この結果は、様々なキュービットプラットフォームに適用でき、キュービット性能を改善するためのフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-05-03T17:13:14Z)

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。