論文の概要: Model-aware reinforcement learning for high-performance Bayesian experimental design in quantum metrology

• arxiv url: http://arxiv.org/abs/2312.16985v3
• Date: Tue, 03 Dec 2024 16:13:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:38:57.014761
• Title: Model-aware reinforcement learning for high-performance Bayesian experimental design in quantum metrology
• Title（参考訳）: 量子気象学における高性能ベイズ実験設計のためのモデル認識強化学習
• Authors: Federico Belliardo, Fabio Zoratti, Florian Marquardt, Vittorio Giovannetti,
• Abstract要約: 量子センサは、様々なパラメータにわたる実験者による操作を可能にすることで、推定中に制御の柔軟性を提供する。 量子力学、推定、仮説テストにおいて、幅広い問題を最適化できる汎用的な手順を導入する。 粒子フィルタリングに基づくモデル認識強化学習(RL)とベイズ推定を組み合わせた。
• 参考スコア（独自算出の注目度）: 0.4999814847776097
• License:
• Abstract: Quantum sensors offer control flexibility during estimation by allowing manipulation by the experimenter across various parameters. For each sensing platform, pinpointing the optimal controls to enhance the sensor's precision remains a challenging task. While an analytical solution might be out of reach, machine learning offers a promising avenue for many systems of interest, especially given the capabilities of contemporary hardware. We have introduced a versatile procedure capable of optimizing a wide range of problems in quantum metrology, estimation, and hypothesis testing by combining model-aware reinforcement learning (RL) with Bayesian estimation based on particle filtering. To achieve this, we had to address the challenge of incorporating the many non-differentiable steps of the estimation in the training process, such as measurements and the resampling of the particle filter. Model-aware RL is a gradient-based method, where the derivatives of the sensor's precision are obtained through automatic differentiation (AD) in the simulation of the experiment. Our approach is suitable for optimizing both non-adaptive and adaptive strategies, using neural networks or other agents. We provide an implementation of this technique in the form of a Python library called qsensoropt, alongside several pre-made applications for relevant physical platforms, namely NV centers, photonic circuits, and optical cavities. This library will be released soon on PyPI. Leveraging our method, we've achieved results for many examples that surpass the current state-of-the-art in experimental design. In addition to Bayesian estimation, leveraging model-aware RL, it is also possible to find optimal controls for the minimization of the Cram\'er-Rao bound, based on Fisher information.
• Abstract（参考訳）: 量子センサは、様々なパラメータにわたる実験者による操作を可能にすることで、推定中に制御の柔軟性を提供する。 各センサープラットフォームに対して、センサーの精度を高めるための最適な制御をピンポイントすることは、依然として難しい課題である。 分析的なソリューションは手の届かないかもしれないが、機械学習は多くの興味あるシステム、特に現代のハードウェアの能力を考えると、有望な道のりを提供する。 粒子フィルタリングに基づくモデル認識強化学習(RL)とベイズ推定を組み合わせることで、量子距離論、推定、仮説テストにおいて幅広い問題を最適化できる汎用的な手法を導入している。 これを実現するためには,粒子フィルタの計測や再サンプリングなど,多くの非微分不可能な推定ステップをトレーニングプロセスに組み込むという課題に対処しなければならなかった。 モデル認識RLは勾配に基づく手法であり、実験のシミュレーションにおいて、センサーの精度の微分は自動微分(AD)によって得られる。 我々のアプローチは、ニューラルネットワークや他のエージェントを使用して、適応的でない戦略と適応的戦略の両方を最適化するのに適しています。 我々は,この手法をqsensoroptというPythonライブラリの形式で実装し,NVセンタ,フォトニック回路,光キャビティなど,関連する物理プラットフォーム用の既製のアプリケーションをいくつか提供する。 このライブラリは、まもなくPyPIでリリースされる。 我々の手法を活用することで、実験設計における現在の最先端技術を上回る多くの事例で結果が得られました。 モデル認識RLを利用したベイズ推定に加えて、フィッシャー情報に基づくクラム・ラオ境界の最小化のための最適制御を求めることもできる。

関連論文リスト

• Applications of model-aware reinforcement learning in Bayesian quantum metrology [0.6138671548064355]
  Belliardo et al., arXiv:2312.16985 (2023) では、量子力学と推定において幅広いタスクを最適化できる手順を紹介した。 我々は、トレーニングにおいて、システムを記述する物理を明示的に考慮した最適化にモデルベースのアプローチを採用する。 この展示は、PyPIでリリースされたqsensoroptライブラリで実装されている、この方法の幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-03-08T22:48:07Z)
• Deep Bayesian Experimental Design for Quantum Many-Body Systems [0.0]
  提案手法は,現在の量子技術プラットフォームを特徴付ける適応的計測戦略の可能性を秘めていることを示す。 特に、結合キャビティとキュービット配列の配列に焦点を当てる。
  論文  参考訳（メタデータ） (2023-06-26T08:40:14Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• CAS4DL: Christoffel Adaptive Sampling for function approximation via Deep Learning [2.513785998932353]
  ディープラーニング(DL)のサンプル効率を向上させるための適応型サンプリング戦略であるCAS4DLを提案する。 以上の結果から,CAS4DLは精度向上に必要なサンプル数を大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2022-08-25T16:21:17Z)
• DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep Learning Anomaly Detection Results for Industrial Time-Series [88.12892448747291]
  DeTAVIZ インタフェースは Web ブラウザをベースとした可視化ツールで,特定の問題における DL ベースの異常検出の実現可能性の迅速な探索と評価を行う。 DeTAVIZを使えば、ユーザーは複数のポスト処理オプションを簡単かつ迅速に繰り返し、異なるモデルを比較することができ、選択したメトリックに対して手動で最適化できる。
  論文  参考訳（メタデータ） (2021-09-21T10:38:26Z)
• Few-shot Quality-Diversity Optimization [50.337225556491774]
  品質多様性(QD)の最適化は、強化学習における知覚的最小値とスパース報酬を扱う上で効果的なツールであることが示されている。 本稿では,タスク分布の例から,パラメータ空間の最適化によって得られる経路の情報を利用して,未知の環境でQD手法を初期化する場合,数発の適応が可能であることを示す。 ロボット操作とナビゲーションベンチマークを用いて、疎密な報酬設定と密集した報酬設定の両方で実施された実験は、これらの環境でのQD最適化に必要な世代数を著しく削減することを示している。
  論文  参考訳（メタデータ） (2021-09-14T17:12:20Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)
• Single-step deep reinforcement learning for open-loop control of laminar and turbulent flows [0.0]
  本研究は,流体力学系の最適化と制御を支援するための深部強化学習(DRL)技術の能力を評価する。 原型ポリシー最適化(PPO)アルゴリズムの新たな"退化"バージョンを組み合わせることで、学習エピソード当たり1回だけシステムを最適化するニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-06-04T16:11:26Z)
• A machine learning approach to Bayesian parameter estimation [0.0]
  パラメータ推定を分類タスクとして定式化し,ニューラルネットワークを用いてベイズ推定を効率的に行う。 本稿では,ネットワークの後方分布が,逆フィッシャー情報によって与えられる不確実性の中でパラメータの真(未知)値に集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-03T16:33:21Z)

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。