論文の概要: Quantum Control based on Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2212.07385v1
• Date: Wed, 14 Dec 2022 18:12:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 17:38:08.017591
• Title: Quantum Control based on Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習に基づく量子制御
• Authors: Zhikang Wang
• Abstract要約: 本論では,2つの単純な制御問題を考察し,それらを深層強化学習に適用する。 本稿では,強化学習が2次ケースの最適制御に匹敵する性能を達成することを示す。 量子制御問題に深層強化学習を適用するのはこれが初めてである。
• 参考スコア（独自算出の注目度）: 1.8710230264817362
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In this thesis, we consider two simple but typical control problems and apply deep reinforcement learning to them, i.e., to cool and control a particle which is subject to continuous position measurement in a one-dimensional quadratic potential or in a quartic potential. We compare the performance of reinforcement learning control and conventional control strategies on the two problems, and show that the reinforcement learning achieves a performance comparable to the optimal control for the quadratic case, and outperforms conventional control strategies for the quartic case for which the optimal control strategy is unknown. To our knowledge, this is the first time deep reinforcement learning is applied to quantum control problems in continuous real space. Our research demonstrates that deep reinforcement learning can be used to control a stochastic quantum system in real space effectively as a measurement-feedback closed-loop controller, and our research also shows the ability of AI to discover new control strategies and properties of the quantum systems that are not well understood, and we can gain insights into these problems by learning from the AI, which opens up a new regime for scientific research.
• Abstract（参考訳）: 本論では,2つの単純だが典型的な制御問題を考察し,一次元二次ポテンシャルあるいは準ポテンシャルにおいて連続的な位置測定の対象となる粒子を冷却・制御するために,深部強化学習を適用する。 この2つの問題に対する強化学習制御の性能と従来の制御戦略を比較し,強化学習が二次ケースの最適制御に匹敵する性能を達成し,最適制御戦略が未知な四次ケースの従来の制御戦略よりも優れていることを示す。 我々の知る限り、連続実空間における量子制御問題に深層強化学習を適用するのはこれが初めてである。 我々の研究は、実空間における確率的量子システムを実空間で効果的に制御するために、深層強化学習を用いることを実証し、また、十分に理解されていない量子システムの新しい制御戦略と特性をAIが発見できることを示し、科学研究の新しい体制を開くことで、これらの問題に対する洞察を得ることができることを示した。

関連論文リスト

• Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
  ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。 本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。 我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
  論文  参考訳（メタデータ） (2024-04-05T17:58:37Z)
• 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)
• The Quantum Cartpole: A benchmark environment for non-linear reinforcement learning [0.0]
  状態推定と制御可能性のトレードオフがどのように生じるかを示す。 本稿では、転送学習を用いて強化学習を通して訓練された量子制御エージェントを開発する可能性を示す。
  論文  参考訳（メタデータ） (2023-11-01T18:02:42Z)
• A quantum system control method based on enhanced reinforcement learning [2.70857393901228]
  強化強化学習(QSC-ERL)に基づく量子システム制御法を提案する。 強化学習における状態と行動は、量子系の量子状態と制御操作にマッピングされる。 他の方法と比較して、QSC-ERLは量子システムの1倍近い忠実度学習制御を達成する。
  論文  参考訳（メタデータ） (2023-09-30T03:22:44Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Realizing a deep reinforcement learning agent discovering real-time feedback control strategies for a quantum system [3.598535368045164]
  我々は、フィールドプログラマブルゲートアレイ(FPGA)を用いた遅延最適化ディープニューラルネットワークを開発した。 超伝導量子ビットを標的状態に効率よく初期化する手法を実証する。 本研究では, エージェントの性能を, 強度, 弱い測定値, および3レベル読み出し値として検討し, しきい値に基づく簡単な手法との比較を行った。
  論文  参考訳（メタデータ） (2022-10-30T01:31:20Z)
• Sparsity in Partially Controllable Linear Systems [56.142264865866636]
  本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。 最適制御には無関係な状態変数を特徴付ける。
  論文  参考訳（メタデータ） (2021-10-12T16:41:47Z)
• Measurement Based Feedback Quantum Control With Deep Reinforcement Learning for Double-well Non-linear Potential [0.0]
  我々は、非線形システムの量子進化を制御するためにDeep Reinforcement Learningを使用します。 DRLは, ほぼ純粋な猫状態に冷却する反直感的戦略を効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-24T02:13:13Z)
• Closing the Closed-Loop Distribution Shift in Safe Imitation Learning [80.05727171757454]
  模倣学習問題において,安全な最適化に基づく制御戦略を専門家として扱う。 我々は、実行時に安価に評価でき、専門家と同じ安全保証を確実に満足する学習されたポリシーを訓練する。
  論文  参考訳（メタデータ） (2021-02-18T05:11:41Z)
• 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)
• Provably Efficient Exploration for Reinforcement Learning Using Unsupervised Learning [96.78504087416654]
  強化学習(RL)問題における効率的な探索に教師なし学習を用い,本パラダイムが有効であるかどうかを考察する。 本稿では,教師なし学習アルゴリズムと非線形表RLアルゴリズムという,2つのコンポーネント上に構築された汎用的なアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:23:59Z)

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。