論文の概要: Automatic pulse-level calibration by tracking observables using
iterative learning
- arxiv url: http://arxiv.org/abs/2304.12166v1
- Date: Mon, 24 Apr 2023 15:22:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 14:35:48.064582
- Title: Automatic pulse-level calibration by tracking observables using
iterative learning
- Title（参考訳）: 反復学習を用いた観測器追跡によるパルスレベル自動校正
- Authors: Andy J. Goldschmidt and Frederic T. Chong
- Abstract要約: 量子コンピューティングでは、制御がいくつかのパラメータに限定されている場合、不正確なモデルによるゲート誤差を効率的に洗練することができる。
本稿では,LIFT(Learning Iteratively for Feasible Tracking)と呼ばれる,量子最適制御の校正のための自動モデルベースフレームワークを提案する。
LIFTは、量子オブザーバブルの可能な軌道を正確に追跡することで、寄生的モデルの違いにもかかわらず高忠実度制御を実現する。
- 参考スコア（独自算出の注目度）: 3.7845912794054337
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Model-based quantum optimal control promises to solve a wide range of
critical quantum technology problems within a single, flexible framework. The
catch is that highly-accurate models are needed if the optimized controls are
to meet the exacting demands set by quantum engineers. A practical alternative
is to directly calibrate control parameters by taking device data and tuning
until success is achieved. In quantum computing, gate errors due to inaccurate
models can be efficiently polished if the control is limited to a few (usually
hand-designed) parameters; however, an alternative tool set is required to
enable efficient calibration of the complicated waveforms potentially returned
by optimal control. We propose an automated model-based framework for
calibrating quantum optimal controls called Learning Iteratively for Feasible
Tracking (LIFT). LIFT achieves high-fidelity controls despite parasitic model
discrepancies by precisely tracking feasible trajectories of quantum
observables. Feasible trajectories are set by combining black-box optimal
control and the bilinear dynamic mode decomposition, a physics-informed
regression framework for discovering effective Hamiltonian models directly from
rollout data. Any remaining tracking errors are eliminated in a non-causal way
by applying model-based, norm-optimal iterative learning control to subsequent
rollout data. We use numerical experiments of qubit gate synthesis to
demonstrate how LIFT enables calibration of high-fidelity optimal control
waveforms in spite of model discrepancies.
- Abstract（参考訳）: モデルに基づく量子最適制御は、単一の柔軟なフレームワーク内で幅広い臨界量子技術問題を解決することを約束する。
最適化された制御が量子技術者が設定した正確な要求を満たすためには、高精度なモデルが必要である。
実用的な代替手段は、デバイスデータを取得し、成功までチューニングすることで、制御パラメータを直接調整することである。
量子コンピューティングでは、制御がいくつかの(通常は手作業で設計される)パラメータに制限されている場合、不正確なモデルによるゲート誤差を効率的に洗練することができるが、最適な制御によって返される複雑な波形の効率的な校正を可能にするための代替ツールセットが必要である。
本稿では,量子最適制御のキャリブレーションのためのモデルベースフレームワークである learning iteratively を提案する。
LIFTは、量子可観測物の実現可能な軌道を正確に追跡することで、寄生的モデルの違いにもかかわらず高忠実度制御を実現する。
ブラックボックス最適制御とバイリニア動的モード分解を組み合わせることで、効果的ハミルトニアンのモデルをロールアウトデータから直接発見する物理インフォームド回帰フレームワークを設定できる。
追従するロールアウトデータにモデルベースでノルム最適反復学習制御を適用することにより、残りのトラッキングエラーを非因果的に排除する。
我々は、モデル差はあるものの、LIFTが高忠実度最適制御波形の校正を可能にすることを示すために、qubitゲート合成の数値実験を用いる。
関連論文リスト
- Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated
Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。
ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文 参考訳（メタデータ） (2024-01-09T11:54:54Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - Adaptive Model Predictive Control by Learning Classifiers [26.052368583196426]
制御パラメータとモデルパラメータを自動的に推定する適応型MPC変種を提案する。
我々は,BOを密度比推定として定式化できることを示す最近の結果を活用する。
その後、これはモデル予測経路積分制御フレームワークに統合され、様々な困難なロボティクスタスクのための堅牢なコントローラを生成する。
論文 参考訳（メタデータ） (2022-03-13T23:22:12Z) - Model-Free Quantum Control with Reinforcement Learning [0.0]
本研究では,量子制御タスクにおける強化学習エージェントをモデル無しで学習するための回路ベースアプローチを提案する。
実験可能な観測機器の測定値を用いて学習エージェントに報奨を与える方法を示す。
このアプローチは、サンプル効率の観点から、広く使われているモデルフリーメソッドよりも大幅に優れている。
論文 参考訳（メタデータ） (2021-04-29T17:53:26Z) - Approximations in transmon simulation [0.0]
我々は、量子制御の文献に現れる進行近似の階層の中で順序付けられた一連のモデルを提示する。
各モデルの妥当性は、IBMQクラウド量子デバイスのための制御プロトコルの設計とベンチマークによって実験的に特徴づけられる。
シミュレーション制御力学の評価により、数値予測のかなりのばらつきにもかかわらず、局所最適制御プロトコルを発見する複雑さは、単純な制御スキーム設定では不変であることが分かる。
論文 参考訳（メタデータ） (2021-02-19T03:41:54Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z) - Bilinear dynamic mode decomposition for quantum control [4.069849286089743]
本研究では,データ駆動型回帰手法である双線形動的モード分解(biDMD)を開発し,時系列測定を用いてQOCの量子システム同定を行う。
本研究は,いくつかの代表量子系に対するアプローチの有効性と性能を実証し,実験結果と一致したことを示す。
論文 参考訳（メタデータ） (2020-10-27T19:38:58Z) - Integrated tool-set for Control, Calibration and Characterization of
quantum devices applied to superconducting qubits [0.5269923665485903]
本稿では,量的精度の高いシステムモデル,高忠実度ゲート,近似誤差予算を求める手法を提案する。
校正を必要とせずに99.6%の忠実度を達成するコヒーレンス限定共振ゲートを導出する。
論文 参考訳（メタデータ） (2020-09-21T13:38:45Z) - Neural Control Variates [71.42768823631918]
ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。
理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。
具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
論文 参考訳（メタデータ） (2020-06-02T11:17:55Z) - Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。
一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。
定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文 参考訳（メタデータ） (2020-04-04T14:16:27Z) - Adaptive Control and Regret Minimization in Linear Quadratic Gaussian
(LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。
LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文 参考訳（メタデータ） (2020-03-12T19:56:38Z)
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。