論文の概要: Experimental graybox quantum system identification and control

• arxiv url: http://arxiv.org/abs/2206.12201v4
• Date: Wed, 29 Nov 2023 07:22:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 04:26:27.143370
• Title: Experimental graybox quantum system identification and control
• Title（参考訳）: 実験グレーボックス量子システム同定と制御
• Authors: Akram Youssry, Yang Yang, Robert J. Chapman, Ben Haylock, Francesco Lenzini, Mirko Lobino, Alberto Peruzzo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.92406842378658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and controlling engineered quantum systems is key to developing practical quantum technology. However, given the current technological limitations, such as fabrication imperfections and environmental noise, this is not always possible. To address these issues, a great deal of theoretical and numerical methods for quantum system identification and control have been developed. These methods range from traditional curve fittings, which are limited by the accuracy of the model that describes the system, to machine learning methods, which provide efficient control solutions but no control beyond the output of the model, nor insights into the underlying physical process. Here we experimentally demonstrate a "graybox" approach to construct a physical model of a quantum system and use it to design optimal control. We report superior performance over model fitting, while generating unitaries and Hamiltonians, which are quantities not available from the structure of standard supervised machine learning models. Our approach combines physics principles with high-accuracy machine learning and is effective with any problem where the required controlled quantities cannot be directly measured in experiments. This method naturally extends to time-dependent and open quantum systems, with applications in quantum noise spectroscopy and cancellation.
• Abstract（参考訳）: エンジニアリングされた量子システムの理解と制御は、実用的な量子技術を開発するための鍵である。 しかし、製造の不完全さや環境騒音といった現在の技術的限界を考えると、これは必ずしも可能とは限らない。 これらの問題に対処するため、量子システム同定と制御のための理論的および数値的手法が数多く開発されている。 これらの手法は、システムを記述するモデルの精度によって制限される従来の曲線フィッティングから、効率的な制御ソリューションを提供するが、モデルの出力を超えた制御や、基礎となる物理プロセスへの洞察を提供する機械学習手法まで、幅広い。 ここでは,量子システムの物理モデルを構築し,最適制御を設計するための"グレーボックス"手法を実験的に実証する。 標準教師付き機械学習モデルでは使用できない量であるユニタリとハミルトニアンを生成する一方で,モデルフィッティングよりも優れた性能を示す。 提案手法は,物理原理と高精度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。

関連論文リスト

• Entanglement engineering of optomechanical systems by reinforcement learning [0.201915599621727]
  エンタングルメント工学におけるモデルフリーな深層強化学習手法を開発した。 我々は、線形または非線形光子-フォノン相互作用を持つ量子光学系を用いて、プロトコルの動作を実証する。
  論文  参考訳（メタデータ） (2024-06-06T23:25:36Z)
• Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
  本稿では,量子情報処理の導入について紹介する。 量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。 分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:43:20Z)
• Non-Markovian Quantum Control via Model Maximum Likelihood Estimation and Reinforcement Learning [0.0]
  環境の非マルコフ的性質を低次元有効貯留層に組み込む新しい手法を提案する。 従来のトモグラフィ法よりも効率的な量子力学の学習に機械学習技術を用いる。 このアプローチはモデルバイアスの問題を緩和するだけでなく、量子力学のより正確な表現を提供する。
  論文  参考訳（メタデータ） (2024-02-07T18:37:17Z)
• 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)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Model-free Quantum Gate Design and Calibration using Deep Reinforcement Learning [7.683965448804695]
  モデルレス量子制御のための深層強化学習を用いた新しいトレーニングフレームワークを提案する。 提案するフレームワークは,制御プロセスの終了時の測定のみに依存し,最適制御ポリシーを見つける能力を提供する。
  論文  参考訳（メタデータ） (2023-02-05T12:36:03Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Generative model for learning quantum ensemble via optimal transport loss [0.9404723842159504]
  量子アンサンブルを学習できる量子生成モデルを提案する。 提案したモデルは、量子デバイスのヘルスチェックのような幅広い応用の道を開く。
  論文  参考訳（メタデータ） (2022-10-19T17:35:38Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• 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)
• 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)

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。