論文の概要: Physics-informed neural networks for quantum control
- arxiv url: http://arxiv.org/abs/2206.06287v1
- Date: Mon, 13 Jun 2022 16:17:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-09 12:38:39.627400
- Title: Physics-informed neural networks for quantum control
- Title(参考訳): 量子制御のための物理インフォームドニューラルネットワーク
- Authors: Ariel Norambuena, Marios Mattheakis, Francisco J. Gonz\'alez and
Ra\'ul Coto
- Abstract要約: 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。
提案手法は,高い確率で状態間移動問題を効率的に解き,短時間で進化させ,制御のパワーを最小化することにより,量子システムの開放に応用する。
- 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 control is a ubiquitous research field that has enabled physicists to
delve into the dynamics and features of quantum systems. In addition to
steering the system, quantum control has delivered powerful applications for
various atomic, optical, mechanical, and solid-state systems. In recent years,
traditional control techniques based on optimization processes have been
translated into efficient artificial intelligence algorithms. Here, we
introduce a computational method for optimal quantum control problems via
physics-informed neural networks (PINNs). We apply our methodology to open
quantum systems by efficiently solving the state-to-state transfer problem with
high probabilities, short-time evolution, and minimizing the power of the
control. Furthermore, we illustrate the flexibility of PINNs to solve the same
problem under changes in parameters and initial conditions, showing advantages
in comparison with standard control techniques.
- Abstract(参考訳): 量子制御はユビキタスな研究分野であり、物理学者は量子システムのダイナミクスと特徴を掘り下げることができる。
システムのステアリングに加えて、量子制御は様々な原子、光学、機械、固体システムに強力な応用をもたらした。
近年,最適化プロセスに基づく従来の制御技術が,効率的な人工知能アルゴリズムに変換されている。
本稿では,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。
提案手法は,高い確率で状態間移動問題を効率的に解き,短時間で進化させ,制御のパワーを最小化することにより,量子システムの開放に応用する。
さらに、パラメータや初期条件の変化の下で同じ問題を解決するために、PINNの柔軟性を説明し、標準制御技術と比較して利点を示す。
関連論文リスト
- Physics-Informed Neural Networks for an optimal counterdiabatic quantum
computation [32.73124984242397]
我々は,N_Q$量子ビットを持つ系からなる量子回路の最適化において,物理インフォームドニューラルネットワーク(PINN)の強度を活用して,逆ダイアバティック(CD)プロトコルに対処する新しい手法を提案する。
この手法の主な応用は、STO-3Gベースの2量子および4量子系で表される$mathrmH_2$と$mathrmLiH$分子である。
論文 参考訳(メタデータ) (2023-09-08T16:55:39Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳(メタデータ) (2022-12-21T19:00:04Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳(メタデータ) (2022-09-01T17:08:41Z) - Learning Quantum Systems [0.0]
量子技術は、セキュアな通信、高性能コンピューティング、超精密センシングにおける画期的な応用によって、私たちの社会に革命をもたらすと約束している。
量子技術のスケールアップにおける主な特徴の1つは、量子システムの複雑さがその大きさと指数関数的にスケールすることである。
これは、量子状態の効率的なキャリブレーション、ベンチマーク、検証とその動的制御において深刻な問題を引き起こす。
論文 参考訳(メタデータ) (2022-07-01T09:47:26Z) - Experimental graybox quantum system identification and control [2.92406842378658]
我々は、量子システムの物理モデルを構築し、最適制御の設計に利用する「グレーボックス」アプローチを実験的に実証した。
提案手法は,物理原理と高精度な機械学習を組み合わせることで,必要な制御量を直接測定できないような問題に対して有効である。
この方法は自然に時間依存的かつオープンな量子システムに拡張され、量子ノイズ分光とキャンセルへの応用がある。
論文 参考訳(メタデータ) (2022-06-24T10:19:55Z) - Quantum Optimal Control: Practical Aspects and Diverse Methods [0.0]
量子最適制御(QOC)は、所望の量子演算を実装する最適制御変調を設計する。
本稿では,QOCの基本概念を紹介し,実践的課題について論じるとともに,多種多様なQOC手法の概要を紹介する。
論文 参考訳(メタデータ) (2022-05-31T07:27:44Z) - Machine-learning assisted quantum control in random environment [3.8580539160777625]
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。
論文 参考訳(メタデータ) (2022-02-21T15:12:39Z) - On exploring practical potentials of quantum auto-encoder with
advantages [92.19792304214303]
量子オートエンコーダ(QAE)は、量子物理学で遭遇する次元の呪いを和らげるための強力なツールである。
我々はQAEを用いて固有値を効率的に計算し、高次元量子状態の対応する固有ベクトルを作成できることを証明した。
低ランク状態の忠実度推定,量子ギブス状態準備,量子メトロジーの課題を解決するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
論文 参考訳(メタデータ) (2021-06-29T14:01:40Z) - Electronic structure with direct diagonalization on a D-Wave quantum
annealer [62.997667081978825]
本研究は、D-Wave 2000Q量子アニール上の分子電子ハミルトニアン固有値-固有ベクトル問題を解くために、一般量子アニール固有解法(QAE)アルゴリズムを実装した。
そこで本研究では,D-Waveハードウェアを用いた各種分子系における基底および電子励起状態の取得について述べる。
論文 参考訳(メタデータ) (2020-09-02T22:46:47Z) - Quantum Geometric Machine Learning for Quantum Circuits and Control [78.50747042819503]
我々は、量子幾何学的制御問題に対するディープラーニングの適用をレビューし、拡張する。
量子回路合成問題における時間-最適制御の強化について述べる。
我々の研究結果は、時間-最適制御問題に対する機械学習と幾何学的手法を組み合わせた量子制御と量子情報理論の研究者にとって興味深いものである。
論文 参考訳(メタデータ) (2020-06-19T19:12:14Z) - 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。