論文の概要: Model-free Quantum Gate Design and Calibration using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2302.02371v2
• Date: Tue, 7 Feb 2023 05:01:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-08 12:14:15.254937
• Title: Model-free Quantum Gate Design and Calibration using Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習を用いたモデルフリー量子ゲート設計と校正
• Authors: Omar Shindi, Qi Yu, Parth Girdhar, and Daoyi Dong
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.683965448804695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity quantum gate design is important for various quantum technologies, such as quantum computation and quantum communication. Numerous control policies for quantum gate design have been proposed given a dynamical model of the quantum system of interest. However, a quantum system is often highly sensitive to noise, and obtaining its accurate modeling can be difficult for many practical applications. Thus, the control policy based on a quantum system model may be unpractical for quantum gate design. Also, quantum measurements collapse quantum states, which makes it challenging to obtain information through measurements during the control process. In this paper, we propose a novel training framework using deep reinforcement learning for model-free quantum control. The proposed framework relies only on the measurement at the end of the control process and offers the ability to find the optimal control policy without access to quantum systems during the learning process. The effectiveness of the proposed technique is numerically demonstrated for model-free quantum gate design and quantum gate calibration using off-policy reinforcement learning algorithms.
• Abstract（参考訳）: 量子ゲート設計は量子計算や量子通信といった様々な量子技術にとって重要である。 量子ゲート設計のための多くの制御ポリシーが提案され、量子システムの動的モデルが提案されている。 しかし、量子システムはしばしばノイズに敏感であり、その正確なモデリングを得ることは、多くの実用的な応用において困難である。 したがって、量子システムモデルに基づく制御ポリシーは、量子ゲート設計には実用的でないかもしれない。 また、量子測定では量子状態が崩壊し、制御プロセス中に測定によって情報を得るのが困難になる。 本稿では,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,学習プロセス中に量子システムにアクセスせずに最適な制御ポリシを見つける機能を提供する。 本手法の有効性は,オフポリシー強化学習アルゴリズムを用いたモデルフリー量子ゲート設計と量子ゲート校正に対して数値的に実証された。

関連論文リスト

• 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)
• 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)
• 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)
• Experimental graybox quantum system identification and control [2.92406842378658]
  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。
  論文  参考訳（メタデータ） (2022-06-24T10:19:55Z)
• Engineered Dissipation for Quantum Information Science [0.0]
  散逸は量子情報の操作に欠かせない道具である。 散逸工学は、量子測定、量子状態の準備、量子状態安定化を可能にする。
  論文  参考訳（メタデータ） (2022-02-10T19:00:01Z)
• Efficient criteria of quantumness for a large system of qubits [58.720142291102135]
  大規模部分量子コヒーレント系の基本パラメータの無次元結合について論じる。 解析的および数値計算に基づいて、断熱進化中の量子ビット系に対して、そのような数を提案する。
  論文  参考訳（メタデータ） (2021-08-30T23:50:05Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Quantum Architecture Search via Deep Reinforcement Learning [0.0]
  できるだけ少ないゲートを持つ特定の量子状態を生成するための量子ゲートシーケンスを設計するのは簡単ではない。 そこで本研究では,深層強化学習(DRL)を応用した量子アーキテクチャ探索フレームワークを提案する。 エージェント内の量子物理学の知識を符号化することなく、マルチキュービットGHZ状態に対する量子ゲート列の生成に成功したことを実証する。
  論文  参考訳（メタデータ） (2021-04-15T18:53:26Z)
• Quantum optimal control of multi-level dissipative quantum systems with Reinforcement Learning [0.06372261626436676]
  本稿では,多段階散逸型量子制御フレームワークを提案し,深部強化学習が最適戦略の同定に有効な方法であることを示す。 このフレームワークは、他の量子制御モデルに適用するために一般化することができる。
  論文  参考訳（メタデータ） (2020-07-02T02:11:06Z)
• Reinforcement Learning for Digital Quantum Simulation [0.0]
  本稿では,デジタル量子シミュレーションに最適化された量子回路を構築するための強化学習アルゴリズムを提案する。 我々は、長い時間と大きなシステムサイズで3つの絡み合ったゲートを持つ物理オブザーバブルを再生する量子回路を一貫して取得する。
  論文  参考訳（メタデータ） (2020-06-29T18:00:11Z)

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。