論文の概要: Practical Black Box Hamiltonian Learning

• arxiv url: http://arxiv.org/abs/2206.15464v1
• Date: Thu, 30 Jun 2022 17:56:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-01 16:01:40.033787
• Title: Practical Black Box Hamiltonian Learning
• Title（参考訳）: 実践的ブラックボックスハミルトン学習
• Authors: Andi Gu, Lukasz Cincio, Patrick J. Coles
• Abstract要約: 本稿では,量子多体系のハミルトニアンパラメータの学習問題について考察する。 我々は、微分推定によるハミルトン学習への最近のアプローチに基づいて構築する。
• 参考スコア（独自算出の注目度）: 0.9281671380673306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of learning the parameters for the Hamiltonian of a quantum many-body system, given limited access to the system. In this work, we build upon recent approaches to Hamiltonian learning via derivative estimation. We propose a protocol that improves the scaling dependence of prior works, particularly with respect to parameters relating to the structure of the Hamiltonian (e.g., its locality $k$). Furthermore, by deriving exact bounds on the performance of our protocol, we are able to provide a precise numerical prescription for theoretically optimal settings of hyperparameters in our learning protocol, such as the maximum evolution time (when learning with unitary dynamics) or minimum temperature (when learning with Gibbs states). Thanks to these improvements, our protocol is practical for large problems: we demonstrate this with a numerical simulation of our protocol on an 80-qubit system.
• Abstract（参考訳）: 本研究では,量子多体系のハミルトニアンのパラメータを学習する問題について,システムへの限定的なアクセスを前提として検討する。 本研究では、微分推定によるハミルトン学習への最近のアプローチを構築する。 特にハミルトニアンの構造に関するパラメータ(例えば、その局所性$k$)に関して、事前の作業のスケーリング依存性を改善するプロトコルを提案する。 さらに,本プロトコルの性能の正確な限界を導出することにより,最大進化時間(ユニタリダイナミクスによる学習)や最小温度(ギブズ状態による学習)など,理論上最適なハイパーパラメータ設定の正確な数値処方を学習プロトコルに提供することができる。 これらの改良により,80量子ビットシステム上でのプロトコルの数値シミュレーションにより,本プロトコルは大きな問題に対して実用的である。

関連論文リスト

• Learning Optimal Deterministic Policies with Stochastic Policy Gradients [62.81324245896716]
  政策勾配法(PG法)は連続強化学習(RL法)問題に対処する手法として成功している。 一般的には、収束(ハイパー)政治は、決定論的バージョンをデプロイするためにのみ学習される。 本稿では,サンプルの複雑性とデプロイされた決定論的ポリシのパフォーマンスのトレードオフを最適化するために,学習に使用する探索レベルの調整方法を示す。
  論文  参考訳（メタデータ） (2024-05-03T16:45:15Z)
• Neural Time-Reversed Generalized Riccati Equation [60.92253836775246]
  ハミルトン方程式は、コストテートとして知られる補助変数を通して最適性の解釈を提供する。 本稿では,前向きに作業することを目的とした,新しいニューラルベースによる最適制御手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T19:29:37Z)
• Sample-efficient Model-based Reinforcement Learning for Quantum Control [0.2999888908665658]
  ノイズの多い時間依存ゲート最適化のためのモデルベース強化学習(RL)手法を提案する。 標準モデルフリーRLに比べて,本手法のサンプル複雑性において,桁違いの優位性を示す。 提案アルゴリズムは,部分的特徴付き1量子ビット系と2量子ビット系の制御に適している。
  論文  参考訳（メタデータ） (2023-04-19T15:05:19Z)
• Learning Energy Conserving Dynamics Efficiently with Hamiltonian Gaussian Processes [9.581740983484472]
  効率的に分離されたパラメータ化を施したハミルトン系のプロセスモデルを提案する。 本稿では,短軌と長軌の双方から頑健な推論が可能な省エネ射撃法を提案する。 本手法がハミルトニアン系を様々なデータ・セッティングで学習することに成功したことを実証する。
  論文  参考訳（メタデータ） (2023-03-03T13:51:04Z)
• Data post-processing for the one-way heterodyne protocol under composable finite-size security [62.997667081978825]
  本研究では,実用的連続可変(CV)量子鍵分布プロトコルの性能について検討する。 ヘテロダイン検出を用いたガウス変調コヒーレント状態プロトコルを高信号対雑音比で検討する。 これにより、プロトコルの実践的な実装の性能を調べ、上記のステップに関連付けられたパラメータを最適化することができる。
  論文  参考訳（メタデータ） (2022-05-20T12:37:09Z)
• Efficient and robust estimation of many-qubit Hamiltonians [0.0]
  量子力学系の相互作用と力学を特徴づけることは、量子技術の発展に欠かせない課題である。 マルチキュービットデバイスにおける基礎となるハミルトン力学と雑音を特徴付けるための効率的なプロトコルを提案する。 このプロトコルは、ハミルトニアンを学習するために並列化することができ、現在の量子デバイスと将来の量子デバイスの両方のキャラクタリゼーションに適用できる。
  論文  参考訳（メタデータ） (2022-05-19T13:52:32Z)
• Dynamical learning of a photonics quantum-state engineering process [48.7576911714538]
  実験的な高次元量子状態の工学は、いくつかの量子情報プロトコルにとって重要な課題である。 我々は、フォトニック軌道Angular Momentum(OAM)ステートを設計するための自動適応最適化プロトコルを実装した。 このアプローチは、量子情報プロトコルや技術のためのノイズの多い実験タスクを自動最適化するための強力なツールである。
  論文  参考訳（メタデータ） (2022-01-14T19:24:31Z)
• Physics-informed neural networks via stochastic Hamiltonian dynamics learning [3.2857981869020327]
  最適制御問題に対処するための新しい学習フレームワークを提案する。 ポントリャーギンの最大原理を元の最適制御問題に適用することは、学習焦点をハミルトン力学の減少にシフトさせる。 我々は,NeuralPMPと呼ばれる学習フレームワークを様々な制御タスクに適用し,競争力のある結果を得る。
  論文  参考訳（メタデータ） (2021-11-15T22:13:43Z)
• Optimal short-time measurements for Hamiltonian learning [0.0]
  短時間の力学に基づく効率的な測定手法を提案する。 再現にはシステムサイズの独立な実験ショット数が必要であることを実証する。 通勤可観測物の群化とハミルトン対称性の使用により、再建の精度が向上する。
  論文  参考訳（メタデータ） (2021-08-19T17:48:48Z)
• Sufficiently Accurate Model Learning for Planning [119.80502738709937]
  本稿では,制約付きSufficiently Accurateモデル学習手法を提案する。 これはそのような問題の例を示し、いくつかの近似解がいかに近いかという定理を提示する。 近似解の質は、関数のパラメータ化、損失と制約関数の滑らかさ、モデル学習におけるサンプルの数に依存する。
  論文  参考訳（メタデータ） (2021-02-11T16:27:31Z)
• How much progress have we made in neural network training? A New Evaluation Protocol for Benchmarking Optimizers [86.36020260204302]
  本稿では、エンドツーエンドの効率とデータ付加訓練の効率を評価するための新しいベンチマークプロトコルを提案する。 評価プロトコルは, ランダム探索よりも, 人間のチューニング行動とよく一致していることを示すために, 人間の実験を行った。 次に,提案したベンチマークフレームワークをコンピュータビジョン,自然言語処理,強化学習,グラフマイニングなどのタスクに適用する。
  論文  参考訳（メタデータ） (2020-10-19T21:46:39Z)

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。