論文の概要: A quantum system control method based on enhanced reinforcement learning

• arxiv url: http://arxiv.org/abs/2310.03036v1
• Date: Sat, 30 Sep 2023 03:22:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-08 11:00:08.506360
• Title: A quantum system control method based on enhanced reinforcement learning
• Title（参考訳）: 強化強化学習に基づく量子システム制御法
• Authors: Wenjie Liu, Bosi Wang, Jihao Fan, Yebo Ge, Mohammed Zidan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.70857393901228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional quantum system control methods often face different constraints, and are easy to cause both leakage and stochastic control errors under the condition of limited resources. Reinforcement learning has been proved as an efficient way to complete the quantum system control task. To learn a satisfactory control strategy under the condition of limited resources, a quantum system control method based on enhanced reinforcement learning (QSC-ERL) is proposed. The states and actions in reinforcement learning are mapped to quantum states and control operations in quantum systems. By using new enhanced neural networks, reinforcement learning can quickly achieve the maximization of long-term cumulative rewards, and a quantum state can be evolved accurately from an initial state to a target state. According to the number of candidate unitary operations, the three-switch control is used for simulation experiments. Compared with other methods, the QSC-ERL achieves close to 1 fidelity learning control of quantum systems, and takes fewer episodes to quantum state evolution under the condition of limited resources.
• Abstract（参考訳）: 従来の量子システム制御手法は、しばしば異なる制約に直面し、限られた資源条件下で漏洩と確率的制御エラーを発生させるのが容易である。 強化学習は、量子システム制御タスクを完了するための効率的な方法として証明されている。 限られた資源条件下で良好な制御戦略を学習するために,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。 新しい強化ニューラルネットワークを用いることで、強化学習は長期累積報酬の最大化を迅速に達成でき、量子状態を初期状態から目標状態に正確に進化させることができる。 候補ユニタリ演算の数に応じて、3スイッチ制御はシミュレーション実験に使用される。 他の方法と比較して、QSC-ERLは量子システムの1倍近い忠実性学習制御を達成し、限られた資源条件下での量子状態の進化のエピソードを少なくする。

関連論文リスト

• Controlling nonergodicity in quantum many-body systems by reinforcement learning [0.0]
  量子非エルゴディティ制御のためのモデルフリー・ディープ強化学習フレームワークを開発した。 我々は, DRLエージェントが量子多体系を効率的に学習できることを実証するために, パラダイム的一次元傾斜Fermi-Hubbardシステムを用いた。 連続制御プロトコルと観測は実験的に実現可能である。
  論文  参考訳（メタデータ） (2024-08-21T20:55:44Z)
• Optimal control in large open quantum systems: the case of transmon readout and reset [44.99833362998488]
  本稿では, 随伴状態法と逆時間バックプロパゲーションを組み合わせることで, 極めて大規模なオープンシステム量子制御問題を解く枠組みを提案する。 超伝導量子ビットにおける2つの本質的に散逸する演算を最適化するために、この枠組みを適用した。 システムパラメータの固定化により,制御パルスの形状は両操作の忠実度と持続時間において2倍の改善が得られた。
  論文  参考訳（メタデータ） (2024-03-21T18:12:51Z)
• 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)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• 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)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Quantum Control based on Deep Reinforcement Learning [1.8710230264817362]
  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。
  論文  参考訳（メタデータ） (2022-12-14T18:12:26Z)
• Self-Correcting Quantum Many-Body Control using Reinforcement Learning with Tensor Networks [0.0]
  本稿では、強化学習(RL)に基づく量子多体系を効率的に制御するための新しい枠組みを提案する。 我々は、RLエージェントが普遍的な制御を見出すことができ、多くの身体状態を最適に制御する方法を学ぶことができ、量子力学が摂動を受けるとき、制御プロトコルをオンザフライで適用できることを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:14:09Z)
• 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 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)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。