論文の概要: Machine learning-enhanced optical tweezers for defect-free rearrangement

• arxiv url: http://arxiv.org/abs/2401.04893v1
• Date: Wed, 10 Jan 2024 02:53:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-11 15:43:33.221385
• Title: Machine learning-enhanced optical tweezers for defect-free rearrangement
• Title（参考訳）: 欠陥のない再配置のための機械学習による光ツイーザ
• Authors: Yongwoong Lee, Eunmi Chae
• Abstract要約: 本稿では,この再配置プロセスの最適化に近似ポリシー最適化モデルを用いた機械学習手法を提案する。 本手法は, 最短経路問題を効率よく解き, 欠陥のないツイーザアレイの形成を保証することに焦点を当てる。 この進歩は、ツイーザーアレイに新たな機会をもたらし、コンピュータ研究の効率性と精度を高める可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optical tweezers constitute pivotal tools in Atomic, Molecular, and Optical(AMO) physics, facilitating precise trapping and manipulation of individual atoms and molecules. This process affords the capability to generate desired geometries in both one-dimensional and two-dimensional spaces, while also enabling real-time reconfiguration of atoms. Due to stochastic defects in these tweezers, which cause catastrophic performance degradation especially in quantum computations, it is essential to rearrange the tweezers quickly and accurately. Our study introduces a machine learning approach that uses the Proximal Policy Optimization model to optimize this rearrangement process. This method focuses on efficiently solving the shortest path problem, ensuring the formation of defect-free tweezer arrays. By implementing machine learning, we can calculate optimal motion paths under various conditions, resulting in promising results in model learning. This advancement presents new opportunities in tweezer array rearrangement, potentially boosting the efficiency and precision of quantum computing research.
• Abstract（参考訳）: 光トワイザーは原子、分子、光学(amo)物理学において重要な道具であり、個々の原子や分子の正確なトラップと操作を容易にする。 このプロセスは、1次元空間と2次元空間の両方で所望のジオメトリーを生成できると同時に、原子のリアルタイム再構成を可能にする。 特に量子計算において壊滅的な性能低下を引き起こすこれらのtweezersの確率的欠陥のため、tweezersを迅速かつ正確に再構成することが不可欠である。 本研究は, 近似ポリシー最適化モデルを用いて, この再配置プロセスを最適化する機械学習手法を提案する。 この手法は最短経路問題を効率的に解き、欠陥のないトウェザーアレイの形成を確実にする。 機械学習を実装することで,様々な条件下での最適運動経路を計算し,モデル学習に有望な結果をもたらす。 この進歩は、ツイーザーアレイ再構成の新しい機会を示し、量子コンピューティング研究の効率性と精度を高める可能性がある。

関連論文リスト

• Optical tweezer generation using automated alignment and adaptive optics [0.0]
  微調整を実現するための光学アライメントの最先端の精度は、手動制御の限界に達している。 光学手動アライメントの基本的な技法の1つは、レーザービームの横断歩行である。 この手法を用いて, 高い開口目標を機械的に整列させ, 高品質なツイーザを製作可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-20T18:40:37Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Generating extreme quantum scattering in graphene with machine learning [0.0]
  グラフェン量子ドットは、2次元(2次元)ディラック材料における電子の挙動を操作するためのプラットフォームを提供する。 逆設計の難解な問題を解く必要があるような、クローキングやスーパースキャッタリングのような応用もある。 逆設計問題に対処するための機械学習アプローチを具体化する。 我々の物理ベースの機械学習アプローチは、2D Dirac素材ベースのエレクトロニクスのための強力な設計ツールとなり得る。
  論文  参考訳（メタデータ） (2022-12-13T22:54:24Z)
• Efficient algorithms to solve atom reconfiguration problems. II. The assignment-rerouting-ordering (aro) algorithm [51.02512563152503]
  原子再構成問題は原子の問題を迅速かつ効率的に解く必要がある。 原子再構成問題を解決する典型的なアプローチは、どの原子をどのトラップに移動させるかを決定する代入アルゴリズムを使用することである。 このアプローチは、置換原子の数や各原子が置換される回数を最適化しない。 原子再構成問題の解法において,代入型アルゴリズムの性能を向上させるために,代入型順序付けアルゴリズム(aro)を提案する。
  論文  参考訳（メタデータ） (2022-12-11T19:48:25Z)
• Retrieving space-dependent polarization transformations via near-optimal quantum process tomography [55.41644538483948]
  トモグラフィー問題に対する遺伝的および機械学習アプローチの適用について検討する。 ニューラルネットワークベースのスキームは、リアルタイムにキャラクタリゼーションを必要とするアプリケーションにおいて、重要なスピードアップを提供する。 これらの結果は、より一般的な量子プロセスにおけるトモグラフィーアプローチの最適化の基礎となることを期待する。
  論文  参考訳（メタデータ） (2022-10-27T11:37:14Z)
• Gaussian Moments as Physically Inspired Molecular Descriptors for Accurate and Scalable Machine Learning Potentials [0.0]
  本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。 化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
  論文  参考訳（メタデータ） (2021-09-15T16:46:46Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• SE(3)-equivariant prediction of molecular wavefunctions and electronic densities [4.2572103161049055]
  本稿では,幾何点クラウドデータのためのディープラーニングアーキテクチャを構築するための汎用SE(3)-同変演算とビルディングブロックを紹介する。 本モデルでは,従来の最先端モデルと比較して,予測誤差を最大2桁まで低減する。 低精度参照波動関数で訓練されたモデルが電子的多体相互作用の正当性を暗黙的に学習するトランスファーラーニングアプリケーションにおいて、我々のアプローチの可能性を実証する。
  論文  参考訳（メタデータ） (2021-06-04T08:57:46Z)
• Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
  集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。 このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。 線形光ネットワークの転送行列を再構成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-01T16:04:22Z)
• Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
  量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。 シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。 これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-28T17:21:25Z)

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。