論文の概要: Deep reinforcement learning for quantum multiparameter estimation
- arxiv url: http://arxiv.org/abs/2209.00671v1
- Date: Thu, 1 Sep 2022 18:01:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:15:48.858747
- Title: Deep reinforcement learning for quantum multiparameter estimation
- Title（参考訳）: 量子マルチパラメータ推定のための深部強化学習
- Authors: Valeria Cimini, Mauro Valeri, Emanuele Polino, Simone Piacentini,
Francesco Ceccarelli, Giacomo Corrielli, Nicol\`o Spagnolo, Roberto Osellame
and Fabio Sciarrino
- Abstract要約: 本研究では,現実的なベイズ量子力学タスクを実現するためのモデルフリーでディープラーニングに基づくアプローチを提案する。
我々は,標準手法よりも高い推定性能の達成を実験的に証明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimation of physical quantities is at the core of most scientific research
and the use of quantum devices promises to enhance its performances. In real
scenarios, it is fundamental to consider that the resources are limited and
Bayesian adaptive estimation represents a powerful approach to efficiently
allocate, during the estimation process, all the available resources. However,
this framework relies on the precise knowledge of the system model, retrieved
with a fine calibration that often results computationally and experimentally
demanding. Here, we introduce a model-free and deep learning-based approach to
efficiently implement realistic Bayesian quantum metrology tasks accomplishing
all the relevant challenges, without relying on any a-priori knowledge on the
system. To overcome this need, a neural network is trained directly on
experimental data to learn the multiparameter Bayesian update. Then, the system
is set at its optimal working point through feedbacks provided by a
reinforcement learning algorithm trained to reconstruct and enhance experiment
heuristics of the investigated quantum sensor. Notably, we prove experimentally
the achievement of higher estimation performances than standard methods,
demonstrating the strength of the combination of these two black-box algorithms
on an integrated photonic circuit. This work represents an important step
towards fully artificial intelligence-based quantum metrology.
- Abstract（参考訳）: 物理量の推定は、ほとんどの科学研究の中核であり、量子デバイスの使用は、その性能を向上させることを約束している。
実際のシナリオでは、リソースは限定的であり、ベイズ適応推定は、推定プロセス中に利用可能なすべてのリソースを効率的に割り当てる強力なアプローチであると考えることが基本である。
しかしながら、このフレームワークはシステムモデルの正確な知識に依存しており、計算学的および実験的に要求されるような細かいキャリブレーションによって得られる。
本稿では,aプライオリ知識に頼らずに,関連する課題をすべて達成した現実的なベイズ型量子メトロロジータスクを効率的に実装するためのモデルフリー・ディープラーニング手法を提案する。
このニーズを克服するために、ニューラルネットワークは実験データに基づいて直接トレーニングされ、マルチパラメータベイズ更新を学ぶ。
そして、研究した量子センサの実験ヒューリスティックを再構築・強化するために訓練された強化学習アルゴリズムのフィードバックにより、最適作業点にシステムを設定する。
特に,標準手法よりも高い推定性能の達成を実験的に証明し,これら2つのブラックボックスアルゴリズムの組み合わせの強度をフォトニック回路上で実証した。
この研究は、完全な人工知能ベースの量子力学への重要な一歩である。
関連論文リスト
- Deep Learning and genetic algorithms for cosmological Bayesian inference speed-up [0.0]
本稿では,ネストサンプリングアルゴリズムに特化してベイズ推論を高速化する新しい手法を提案する。
提案手法は,ベイズ推論過程における確率関数を動的に近似するために,フィードフォワードニューラルネットワークを用いてディープラーニングのパワーを利用する。
この実装はネストサンプリングアルゴリズムと統合され、単純な宇宙学のダークエネルギーモデルと多様な観測データセットの両方を用いて徹底的に評価されている。
論文 参考訳（メタデータ） (2024-05-06T09:14:58Z) - 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) - Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳（メタデータ） (2023-11-07T04:35:03Z) - Quantum reservoir complexity by Krylov evolution approach [0.0]
機械学習タスクにおける所望の性能を評価するため,Krylov進化に基づく強力な物理基盤を持つ高精度な定量的手法を提案する。
以上の結果から,Krylov法は量子貯水池の性能と強く相関し,最適設計の量子貯水池の探索において強力なツールとなることが示唆された。
論文 参考訳（メタデータ） (2023-10-01T21:06:25Z) - Enhanced quantum state preparation via stochastic prediction of neural
network [0.8287206589886881]
本稿では,ニューラルネットワークの知識盲点を生かして,アルゴリズムの有効性を高めるための興味深い道を探る。
本手法は,半導体ダブル量子ドットシステムにおける任意の量子状態の生成に使用される機械学習アルゴリズムを中心にしている。
ニューラルネットワークが生成した予測を活用することにより、最適化プロセスの導出により、局所最適化を回避できる。
論文 参考訳（メタデータ） (2023-07-27T09:11:53Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Improved Tomographic Estimates by Specialised Neural Networks [0.0]
ニューラルネットワーク(NN)は、畳み込み段階を含むことにより、パラメータのトモグラフィー推定を改善することができることを示す。
シミュレーションデータのみを用いてネットワークをトレーニングすることにより,安定かつ信頼性の高い操作が実現可能であることを示す。
論文 参考訳（メタデータ） (2022-11-21T17:15:23Z) - Experimental multi-state quantum discrimination through a Quantum
network [63.1241529629348]
我々は,ネットワーク構造に特徴付けられる受信機と情報処理の動的処理に基づいて,最小エラーシナリオにおいて2つの識別方式を実験的に実装した。
第1のプロトコルはバイナリ最適識別を実現し、第2のプロトコルは、ネットワークライク受信機の動的特徴に依存するマルチステート量子識別に対する新しいアプローチを提供する。
論文 参考訳（メタデータ） (2021-07-21T09:26:48Z) - 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) - Neural-Network Heuristics for Adaptive Bayesian Quantum Estimation [0.0]
進化戦略と強化学習を組み合わせることで、ニューラルネットワークを高速で強力な実験設計にすることができることを示す。
我々のニューラルネット作成法は非常に一般的であり,ベイズ更新のための順列なモンテカルロ法を補完する。
論文 参考訳（メタデータ） (2020-03-04T16:53:08Z)
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。