論文の概要: Optimal Control for Continuous Dynamical Decoupling
- arxiv url: http://arxiv.org/abs/2310.08417v2
- Date: Thu, 20 Jun 2024 18:44:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-24 20:27:44.254439
- Title: Optimal Control for Continuous Dynamical Decoupling
- Title（参考訳）: 連続動的デカップリングのための最適制御
- Authors: Nicolas André da Costa Morazotti, Adonai Hilário da Silva, Gabriel Audi, Reginaldo de Jesus Napolitano, Felipe Fernandes Fanchini,
- Abstract要約: 連続動的デカップリング(CDD)のための最適設計フィールドを開発するための戦略を導入する。
提案手法は,一般的な1量子ビット量子ゲートの忠実度を最大化するために最適連続体構成を求める。
我々はジオデシックな解のサブセットでニューラルネットワークをトレーニングし、任意の所望のゲートに対して時間依存の制御ハミルトニアンを迅速に生成することを可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a strategy to develop optimally designed fields for continuous dynamical decoupling (CDD). Our methodology obtains the optimal continuous field configuration to maximize the fidelity of a general one-qubit quantum gate. To achieve this, considering dephasing-noise perturbations, we employ an auxiliary qubit instead of the boson bath to implement a purification scheme, which results in unitary dynamics. Employing the sub-Riemannian geometry framework for the two-qubit unitary group, we derive and numerically solve the geodesic equations, obtaining the optimal time-dependent control Hamiltonian. Also, due to the extended time required to find solutions to the geodesic equations, we train a neural network on a subset of geodesic solutions, enabling us to promptly generate the time-dependent control Hamiltonian for any desired gate, which is crucial in circuit optimization.
- Abstract（参考訳）: 本稿では,CDD(Continuous Dynamical Decoupling)のための最適設計フィールドを開発するための戦略を提案する。
提案手法は,一般的な1量子ビット量子ゲートの忠実度を最大化する最適連続体構成を求める。
これを実現するために, ボソン浴の代わりに補助クビットを用いて浄化法を実装した。
2ビットのユニタリ群に対して、準リーマン幾何学の枠組みを用いることで、測地方程式を導出し、数値的に解き、最適時間依存のハミルトニアン制御を得る。
また、測地線方程式の解を見つけるのに要する時間が長いため、測地線解のサブセットでニューラルネットワークを訓練し、任意の所望のゲートに対して時間依存の制御ハミルトニアンを迅速に生成することができる。
関連論文リスト
- A Simulation-Free Deep Learning Approach to Stochastic Optimal Control [12.699529713351287]
最適制御(SOC)における一般問題の解法のためのシミュレーションフリーアルゴリズムを提案する。
既存の手法とは異なり、我々の手法は随伴問題の解を必要としない。
論文 参考訳（メタデータ） (2024-10-07T16:16:53Z) - Neural Time-Reversed Generalized Riccati Equation [60.92253836775246]
ハミルトン方程式は、コストテートとして知られる補助変数を通して最適性の解釈を提供する。
本稿では,前向きに作業することを目的とした,新しいニューラルベースによる最適制御手法を提案する。
論文 参考訳（メタデータ） (2023-12-14T19:29:37Z) - Hybrid discrete-continuous compilation of trapped-ion quantum circuits with deep reinforcement learning [1.7087507417780985]
我々は、トラップイオンコンピューティングにおいて、関連する量子回路のサイズを大幅に削減できることを示す。
私たちのフレームワークは、未知のユニタリプロセスの再生を目標とする実験的な設定にも適用できます。
論文 参考訳（メタデータ） (2023-07-12T14:55:28Z) - Spacetime Neural Network for High Dimensional Quantum Dynamics [19.30780557470232]
量子力学を解くために,2次最適化を用いた時空ニューラルネットワーク法を開発した。
自己正規化された自己回帰型時空ニューラルネットワーク構築を用いたシュル・オーディンガー方程式の手法を実証する。
論文 参考訳（メタデータ） (2021-08-04T17:55:26Z) - Optimization on manifolds: A symplectic approach [127.54402681305629]
本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。
我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
論文 参考訳（メタデータ） (2021-07-23T13:43:34Z) - Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。
一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。
幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文 参考訳（メタデータ） (2021-04-01T19:06:00Z) - Direct Optimal Control Approach to Laser-Driven Quantum Particle
Dynamics [77.34726150561087]
間接制御理論に対する頑健で柔軟な代替手段として, 直接最適制御を提案する。
この方法は、バイスタブルポテンシャルにおけるレーザー駆動のウェーブパレットダイナミクスの場合に説明される。
論文 参考訳（メタデータ） (2020-10-08T07:59:29Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - Optimizing adiabatic quantum pathways via a learning algorithm [10.664271328456728]
最適断熱量子経路探索のためのパルス平滑化手法を用いた勾配自由学習アルゴリズムを提案する。
提案手法は,より複雑で現実的な量子計算問題を解くのに利用できる。
論文 参考訳（メタデータ） (2020-06-27T06:57:59Z) - Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。
提案アルゴリズムの有効性はCart-Pole環境で検証する。
論文 参考訳（メタデータ） (2020-06-01T13:48:59Z)
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。