論文の概要: Physics-informed neural networks for quantum control

• arxiv url: http://arxiv.org/abs/2206.06287v2
• Date: Thu, 7 Dec 2023 21:42:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 19:39:01.766872
• 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。 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。
• 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, delivering 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 using low-energy consumption controls. Furthermore, we illustrate the flexibility of PINNs to solve the same problem under changes in physical 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、様々な原子、光学、機械、固体系に強力な応用を提供することができる。 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。 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。 さらに,ピンの柔軟性を,物理パラメータや初期条件の変化によって解決し,標準制御手法と比較した場合の利点を示す。

関連論文リスト

• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• A Hybrid Quantum-Classical Physics-Informed Neural Network Architecture for Solving Quantum Optimal Control Problems [1.4811951486536687]
  この研究は、量子状態操作を最適化するための革新的なアプローチを示している。 提案したハイブリッドモデルは,最適制御問題の解法として機械学習手法を効果的に適用する。 これは、量子状態遷移問題を解決するために、ハイブリッドPINNネットワークの設計と実装を通して説明される。
  論文  参考訳（メタデータ） (2024-04-23T13:22:22Z)
• Quantum control by the environment: Turing uncomputability, Optimization over Stiefel manifolds, Reachable sets, and Incoherent GRAPE [56.47577824219207]
  多くの現実的な状況において、制御された量子系は環境と相互作用する。 本稿では,環境を資源として利用したオープン量子システムの制御に関するいくつかの結果について概説する。
  論文  参考訳（メタデータ） (2024-03-20T10:09:13Z)
• Robust Quantum Control in Closed and Open Systems: Theory and Practice [0.0]
  このサーベイは、制御理論家のために書かれており、量子制御の現状をレビューし、量子システムに近代的な堅牢な制御を適用しようとする上で直面する課題の概要を提供する。 量子系に古典的ロバスト制御理論を適用する際に生じる問題, 量子物理学者がそのような系とそのロバスト性を探るための典型的な方法, およびこの分野で解決すべきオープン問題について議論する。
  論文  参考訳（メタデータ） (2023-12-30T18:08:43Z)
• 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)
• 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)
• 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)
• 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。