論文の概要: Machine-learning assisted quantum control in random environment

• arxiv url: http://arxiv.org/abs/2202.10291v1
• Date: Mon, 21 Feb 2022 15:12:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-24 08:16:10.608616
• Title: Machine-learning assisted quantum control in random environment
• Title（参考訳）: ランダム環境における機械学習支援量子制御
• Authors: Tang-You Huang, Yue Ban, E. Ya. Sherman and Xi Chen
• Abstract要約: 本稿では,ニューラルネットワークに基づく機械学習アルゴリズムの概念実証と解析について紹介する。 畳み込みニューラルネットワークは、障害を認識できるため、この問題を解決可能であることを示す。 提案アルゴリズムの精度は障害パターンの高次元マッピングにより向上することを示した。
• 参考スコア（独自算出の注目度）: 3.8580539160777625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disorder in condensed matter and atomic physics is responsible for a great variety of fascinating quantum phenomena, which are still challenging for understanding, not to mention the relevant dynamical control. Here we introduce proof of the concept and analyze neural network-based machine learning algorithm for achieving feasible high-fidelity quantum control of a particle in random environment. To explicitly demonstrate its capabilities, we show that convolutional neural networks are able to solve this problem as they can recognize the disorder and, by supervised learning, further produce the policy for the efficient low-energy cost control of a quantum particle in a time-dependent random potential. We have shown that the accuracy of the proposed algorithm is enhanced by a higher-dimensional mapping of the disorder pattern and using two neural networks, each properly trained for the given task. The designed method, being computationally more efficient than the gradient-descent optimization, can be applicable to identify and control various noisy quantum systems on a heuristic basis.
• Abstract（参考訳）: 凝縮物質や原子物理学の障害は、関連する力学制御を言うまでもなく、まだ理解が難しい様々な魅力的な量子現象の原因となっている。 本稿では,ランダム環境における粒子の高忠実性量子制御を実現するために,ニューラルネットワークを用いた機械学習アルゴリズムの実証と解析を行う。 畳み込みニューラルネットワークは,障害を認識できるため,この問題を解決することができ,教師付き学習により,時間依存ランダムポテンシャルにおける量子粒子の効率的な低エネルギーコスト制御のためのポリシーをさらに作成できることを示す。 提案手法の精度は,障害パターンの高次元マッピングと,与えられた課題に対して適切に訓練された2つのニューラルネットワークを用いて向上することを示した。 グラデーション・ディセント最適化よりも計算効率が高い設計法は、様々なノイズ量子システムをヒューリスティックベースで識別し制御することができる。

関連論文リスト

• Dynamic Inhomogeneous Quantum Resource Scheduling with Reinforcement Learning [17.229068960497273]
  量子情報科学と技術における中心的な課題は、量子システムのリアルタイム推定とフィードフォワード制御の実現である。 量子ビット対の自己アテンション機構を強調するトランスフォーマーモデルを用いた新しいフレームワークを提案する。 提案手法は量子システムの性能を著しく改善し,ルールベースエージェントよりも3ドル以上向上する。
  論文  参考訳（メタデータ） (2024-05-25T23:39:35Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• 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)
• Hamiltonian Quantum Generative Adversarial Networks [4.806505912512235]
  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。 提案手法は,多体多体量子状態に絡み合った多体量子状態の学習能力を数値的に示す。
  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)
• Physics-informed neural networks for quantum control [0.0]
  物理インフォームドニューラルネットワーク(PINN)を用いた最適量子制御問題の計算手法を提案する。 我々は,高確率,短時間の進化,低エネルギー消費制御を用いた状態間移動問題を効率的に解き,量子システムを開放する手法を適用した。
  論文  参考訳（メタデータ） (2022-06-13T16:17:22Z)
• Unsupervised learning of correlated quantum dynamics on disordered lattices [0.0]
  乱格子上で共伝播する量子粒子は、量子統計学、粒子間相互作用、障害の間の相互作用による複雑な非古典的相関を発達させる。 本稿では,これらの相関関係を学習し,物理的制御パラメータを教師なしで同定する深層学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-10-13T17:48:11Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  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。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Markovian Quantum Neuroevolution for Machine Learning [0.0]
  本稿では,機械学習タスクに最適な量子ニューラルネットワークを自律的に見つける量子神経進化アルゴリズムを提案する。 特に、量子回路と有向グラフの1対1マッピングを確立し、適切なゲート列を見つける問題を減らす。
  論文  参考訳（メタデータ） (2020-12-30T12:42:38Z)
• 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。