論文の概要: Dropout is all you need: robust two-qubit gate with reinforcement learning

• arxiv url: http://arxiv.org/abs/2312.06335v1
• Date: Mon, 11 Dec 2023 12:32:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 15:41:01.022132
• Title: Dropout is all you need: robust two-qubit gate with reinforcement learning
• Title（参考訳）: dropoutは、強化学習を備えた頑丈な2量子ビットゲート
• Authors: Tian-Niu Xu, Yongcheng Ding, Jos\'e D. Mart\'in-Guerrero, and Xi Chen
• Abstract要約: 本研究では,量子制御プロトコルの設計において,強化学習を効果的に実施するために,人間の専門家による指導がどの程度必要かを検討する。 核磁気共鳴システムにおけるロバストな2量子ゲートの工学に着目し、解析解の組み合わせをコンピュータ科学の分野における先行知識と技術として活用する。
• 参考スコア（独自算出の注目度）: 3.5621685463862356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the realm of quantum control, reinforcement learning, a prominent branch of machine learning, emerges as a competitive candidate for computer-assisted optimal design for experiments. This study investigates the extent to which guidance from human experts is necessary for the effective implementation of reinforcement learning in designing quantum control protocols. Specifically, we focus on the engineering of a robust two-qubit gate within a nuclear magnetic resonance system, utilizing a combination of analytical solutions as prior knowledge and techniques from the field of computer science. Through extensive benchmarking of different models, we identify dropout, a widely-used method for mitigating overfitting in machine learning, as an especially robust approach. Our findings demonstrate the potential of incorporating computer science concepts to propel the development of advanced quantum technologies.
• Abstract（参考訳）: 量子制御の分野では、機械学習の著名な分野である強化学習が、コンピュータ支援による実験最適設計の競争候補として現れる。 本研究では,量子制御プロトコルの設計において,強化学習を効果的に実施するためには,人間専門家の指導がどの程度必要かを検討する。 具体的には、核磁気共鳴システム内のロバストな2ビットゲートの工学に焦点をあて、解析解の組み合わせをコンピュータ科学の分野における先行知識と技術として活用する。 異なるモデルの広範なベンチマークを通じて、機械学習における過度な適合を緩和するための広く使われている方法であるドロップアウトを、特に堅牢なアプローチとして特定する。 本研究は,高度な量子技術の発展を促進するために,コンピュータ科学の概念を取り入れる可能性を示す。

関連論文リスト

• Quantum-Powered Personalized Learning [3.1523832615228295]
  我々は、既存のパーソナライズされた学習システム、古典的な機械学習手法、および教育における量子コンピューティングアプリケーションについてレビューする。 量子アルゴリズムは,古典的手法と比較して,効率,スケーラビリティ,パーソナライズ品質を著しく向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-08-25T17:45:48Z)
• Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
  我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。 アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。 本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
  論文  参考訳（メタデータ） (2024-07-02T18:00:00Z)
• Quantum Software Ecosystem Design [35.12790469199701]
  量子コンピューティングの急速な進歩は、対応するソフトウェアエコシステムを構築するための科学的かつ厳密なアプローチを必要とする。 本章では,量子コンピューティングを科学的および産業的問題解決に利用可能にする,量子ソフトウェアエコシステムの構築に不可欠な科学的考察を紹介する。
  論文  参考訳（メタデータ） (2024-05-21T23:11:11Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Unified Quantum State Tomography and Hamiltonian Learning Using Transformer Models: A Language-Translation-Like Approach for Quantum Systems [0.47831562043724657]
  本稿では,量子状態トモグラフィとハミルトン学習を効果的に融合させるため,変圧器モデルに注意機構を取り入れた新しいアプローチを提案する。 簡単な2量子ビットの場合から、より複雑な2次元反強磁性ハイゼンベルク構造まで、様々な量子系におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-24T11:20:44Z)
• Modern applications of machine learning in quantum sciences [51.09906911582811]
  本稿では、教師なし、教師なし、強化学習アルゴリズムにおけるディープラーニングとカーネル手法の使用について述べる。 我々は、微分可能プログラミング、生成モデル、機械学習に対する統計的アプローチ、量子機械学習など、より専門的なトピックについて議論する。
  論文  参考訳（メタデータ） (2022-04-08T17:48:59Z)
• 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)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• Quantum Geometric Machine Learning for Quantum Circuits and Control [78.50747042819503]
  我々は、量子幾何学的制御問題に対するディープラーニングの適用をレビューし、拡張する。 量子回路合成問題における時間-最適制御の強化について述べる。 我々の研究結果は、時間-最適制御問題に対する機械学習と幾何学的手法を組み合わせた量子制御と量子情報理論の研究者にとって興味深いものである。
  論文  参考訳（メタデータ） (2020-06-19T19:12:14Z)
• Designing high-fidelity multi-qubit gates for semiconductor quantum dots through deep reinforcement learning [0.0]
  シリコンの量子ドットに基づく量子プロセッサのための高忠実度マルチキュービットゲートを設計するための機械学習フレームワークを提案する。 我々は,高忠実度マルチキュービットゲートを実現するために,深部強化学習法を用いて最適制御パルスを設計する。
  論文  参考訳（メタデータ） (2020-06-15T23:08:46Z)

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。