論文の概要: Self-Correcting Quantum Many-Body Control using Reinforcement Learning
with Tensor Networks
- arxiv url: http://arxiv.org/abs/2201.11790v1
- Date: Thu, 27 Jan 2022 20:14:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 18:01:53.592810
- Title: Self-Correcting Quantum Many-Body Control using Reinforcement Learning
with Tensor Networks
- Title(参考訳): テンソルネットワークを用いた強化学習を用いた自己補正量子多体制御
- Authors: Friederike Metz, Marin Bukov
- Abstract要約: 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。
RLエージェントのトレーニング可能な機械学習アーキテクチャの一部として,多体状態を表現するために行列積状態を活用することで,量子制御問題に取り組む。
これにより、ニューラルネットワークのみのアーキテクチャが許すよりもはるかに大きなシステムを制御できると同時に、一般化性やノイズに対するトレーニングなど、ディープラーニングアルゴリズムの利点を保ちます。
- 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: Quantum many-body control is a central milestone en route to harnessing
quantum technologies. However, the exponential growth of the Hilbert space
dimension with the number of qubits makes it challenging to classically
simulate quantum many-body systems and consequently, to devise reliable and
robust optimal control protocols. Here, we present a novel framework for
efficiently controlling quantum many-body systems based on reinforcement
learning (RL). We tackle the quantum control problem by leveraging matrix
product states (i) for representing the many-body state and, (ii) as part of
the trainable machine learning architecture for our RL agent. The framework is
applied to prepare ground states of the quantum Ising chain, including critical
states. It allows us to control systems far larger than neural-network-only
architectures permit, while retaining the advantages of deep learning
algorithms, such as generalizability and trainable robustness to noise. In
particular, we demonstrate that RL agents are capable of finding universal
controls, of learning how to optimally steer previously unseen many-body
states, and of adapting control protocols on-the-fly when the quantum dynamics
is subject to stochastic perturbations.
- Abstract(参考訳): 量子多体制御は、量子技術を活用するための重要なマイルストーンである。
しかし、ヒルベルト空間次元が量子ビット数で指数関数的に増加すると、量子多体系を古典的にシミュレートすることが難しくなり、信頼性とロバストな最適制御プロトコルが考案される。
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。
我々は行列積状態を利用して量子制御問題に取り組む
(i)多体状態を表すための、及び
(ii)RLエージェントのトレーニング可能な機械学習アーキテクチャの一部として。
この枠組みは臨界状態を含む量子イジングチェーンの基底状態を作成するために適用される。
これにより、ニューラルネットワークのみのアーキテクチャよりもはるかに大きなシステムを制御できると同時に、一般化性やノイズに対するトレーニング可能な堅牢性といったディープラーニングアルゴリズムの利点を保ちます。
特に、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操る方法を学び、量子力学が確率的摂動を受ける場合、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。
関連論文リスト
- A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳(メタデータ) (2024-02-23T14:09:41Z) - Machine-learning-inspired quantum optimal control of nonadiabatic
geometric quantum computation via reverse engineering [3.3216171033358077]
制御パラメータを最適化するために,平均忠実度に基づく機械学習に基づく有望な手法を提案する。
逆工学による一量子ゲートをキャット状態の非断熱的幾何量子計算により実装する。
ニューラルネットワークがモデル空間を拡張する能力を持っていることを実証する。
論文 参考訳(メタデータ) (2023-09-28T14:36:26Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳(メタデータ) (2022-11-09T21:43:16Z) - Hamiltonian Quantum Generative Adversarial Networks [8.293345261434945]
本稿では、未知の入力量子状態を生成することを学ぶために、ハミルトン量子生成共振器ネットワーク(HQuGAN)を提案する。
このフレームワークは、高次元分布の学習における古典的生成的敵ネットワークの成功にインスパイアされている。
論文 参考訳(メタデータ) (2022-11-04T16:53:55Z) - 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) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-30T12:19:27Z) - Entanglement transfer, accumulation and retrieval via quantum-walk-based
qubit-qudit dynamics [50.591267188664666]
高次元システムにおける量子相関の生成と制御は、現在の量子技術の展望において大きな課題である。
本稿では,量子ウォークに基づく移動・蓄積機構により,$d$次元システムの絡み合った状態が得られるプロトコルを提案する。
特に、情報を軌道角運動量と単一光子の偏光度にエンコードするフォトニック実装について述べる。
論文 参考訳(メタデータ) (2020-10-14T14:33:34Z) - Reinforcement Learning for Many-Body Ground-State Preparation Inspired
by Counterdiabatic Driving [2.5614220901453333]
CD-QAOAは量子多体システム向けに設計され、強化学習(RL)アプローチを用いて最適化されている。
本研究では,アディベートゲージ電位の項を付加的な制御ユニタリの生成元として用いることで,アディベート状態から高速な多体制御を実現することができることを示す。
この研究は、量子多体制御のために、ディープラーニングによる最近の成功を取り入れる道を開いた。
論文 参考訳(メタデータ) (2020-10-07T21:13:22Z) - Quantum optimal control of multi-level dissipative quantum systems with
Reinforcement Learning [0.06372261626436676]
本稿では,多段階散逸型量子制御フレームワークを提案し,深部強化学習が最適戦略の同定に有効な方法であることを示す。
このフレームワークは、他の量子制御モデルに適用するために一般化することができる。
論文 参考訳(メタデータ) (2020-07-02T02:11:06Z) - Designing high-fidelity multi-qubit gates for semiconductor quantum dots
through deep reinforcement learning [0.0]
シリコンの量子ドットに基づく量子プロセッサのための高忠実度マルチキュービットゲートを設計するための機械学習フレームワークを提案する。
我々は,高忠実度マルチキュービットゲートを実現するために,深部強化学習法を用いて最適制御パルスを設計する。
論文 参考訳(メタデータ) (2020-06-15T23:08:46Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳(メタデータ) (2019-12-31T07:40:23Z)
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。