論文の概要: Supervised Learning for Robust Quantum Control in Composite-Pulse
Systems
- arxiv url: http://arxiv.org/abs/2308.11861v1
- Date: Wed, 23 Aug 2023 01:37:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 16:06:08.399654
- Title: Supervised Learning for Robust Quantum Control in Composite-Pulse
Systems
- Title(参考訳): 複合パルスシステムにおけるロバスト量子制御のための教師付き学習
- Authors: Zhi-Cheng Shi, Jun-Tong Ding, Ye-Hong Chen, Jie Song, Yan Xia, X. X.
Yi, and Franco Nori
- Abstract要約: 複合パルスシステムにおける堅牢な量子制御を実現するための教師付き学習モデルを開発した。
このモデルは、単一、複数、時間変化のあるエラーを含む、あらゆる種類の体系的エラーに対して大きな抵抗を示す。
この研究は、様々な物理パラメータをトレーニングすることで、フォールトトレラント量子計算のための高効率な学習モデルを提供する。
- 参考スコア(独自算出の注目度): 7.474008952791777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we develop a supervised learning model for implementing robust
quantum control in composite-pulse systems, where the training parameters can
be either phases, detunings, or Rabi frequencies. This model exhibits great
resistance to all kinds of systematic errors, including single, multiple, and
time-varying errors. We propose a modified gradient descent algorithm for
adapting the training of phase parameters, and show that different sampling
methods result in different robust performances. In particular, there is a
tradeoff between high-fidelity and robustness for a given number of training
parameters, and both of them can be simultaneously enhanced by increasing the
number of training parameters (pulses). For its applications, we demonstrate
that the current model can be used for achieving high-fidelity arbitrary
superposition states and universal quantum gates in a robust manner. This work
provides a highly efficient learning model for fault-tolerant quantum
computation by training various physical parameters.
- Abstract(参考訳): 本研究では,複合パルスシステムにおいてロバストな量子制御を実現するための教師あり学習モデルを開発した。
このモデルは、単一、多重、時間変化を含むあらゆる種類の系統的エラーに対して大きな抵抗を示す。
位相パラメータのトレーニングに適応する修正された勾配降下アルゴリズムを提案し、異なるサンプリング手法が異なるロバストな性能をもたらすことを示す。
特に、与えられたトレーニングパラメータ数の高忠実性と堅牢性との間にはトレードオフがあり、トレーニングパラメータ(パルス)の数を増やすことで、両者を同時に拡張することができる。
その応用例として、現在のモデルを用いて、高忠実度任意の重ね合わせ状態と普遍量子ゲートをロバストな方法で達成できることを示す。
この研究は、様々な物理パラメータをトレーニングすることで、フォールトトレラント量子計算のための高効率な学習モデルを提供する。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳(メタデータ) (2024-11-04T11:09:58Z) - Quantum optimal control of superconducting qubits based on machine-learning characterization [39.58317527488534]
デバイスパラメータや環境に合わせて最適な量子制御を実現するための実験的な簡単な手法を提案する。
物理にインスパイアされた機械学習を用いて、実験で利用可能なデータから力学の正確なモデルを推測する。
超伝導トランスモン量子ビット上での任意の単一量子ビット演算を最適化することにより、このアプローチのパワーと実現可能性を示す。
論文 参考訳(メタデータ) (2024-10-29T23:54:25Z) - Transferable Post-training via Inverse Value Learning [83.75002867411263]
別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。
このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。
得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
論文 参考訳(メタデータ) (2024-10-28T13:48:43Z) - Differentiable master equation solver for quantum device characterisation [0.0]
物理系の微分モデルは勾配に基づくアルゴリズムのための強力なプラットフォームを提供する。
量子システムはそのような特性化と制御に特に挑戦する。
本稿では、多種多様な微分可能な量子マスター方程式解法を提案し、この解法をデバイス特性化のためのフレームワークに組み込む。
論文 参考訳(メタデータ) (2024-03-07T17:23:56Z) - Accelerating the analysis of optical quantum systems using the Koopman operator [1.2499537119440245]
光子エコーの予測は、光量子系を理解するための重要な技術である。
本稿では、Koopman演算子に基づくデータ駆動サロゲートモデルを用いて、この処理を高速化する。
論文 参考訳(メタデータ) (2023-10-25T12:02:04Z) - 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) - PreQuant: A Task-agnostic Quantization Approach for Pre-trained Language
Models [52.09865918265002]
ファインチューニングのフレームワークPreQuantに先立って,新しい量子化を提案する。
PreQuantは様々な量子化戦略と互換性があり、インダクションされた量子化誤差を修正するために、アウタリア対応の微調整が組み込まれている。
BERT,RoBERTa,T5を用いたGLUEベンチマークにおけるPreQuantの有効性を示す。
論文 参考訳(メタデータ) (2023-05-30T08:41:33Z) - 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) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳(メタデータ) (2022-12-12T15:06:32Z) - 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) - 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)
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。