論文の概要: Prepare Non-classical Collective Spin State by Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2401.16320v1
- Date: Mon, 29 Jan 2024 17:23:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 13:51:09.577301
- Title: Prepare Non-classical Collective Spin State by Reinforcement Learning
- Title(参考訳): 強化学習による非古典的集団スピン状態の準備
- Authors: X. L. Zhao, Y. M. Zhao, M. Li, T. T. Li, Q. Liu, S. Guo, and X. X. Yi
- Abstract要約: 非古典的状態を生成するために,強化学習を工学的制御分野に適用する手法を提案する。
開集合スピンモデルのためのスピン圧縮状態を作成するための応用によって例示される。
この研究は、他の量子系を操作するための応用の道を開いた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a scheme leveraging reinforcement learning to engineer control
fields for generating non-classical states. It is exemplified by the
application to prepare spin squeezed state for an open collective spin model
where a linear control term is designed to govern the dynamics. The
reinforcement learning agent determines the temporal sequence of control
pulses, commencing from coherent spin state in an environment characterized by
dissipation and dephasing. When compared to constant control scenarios, this
approach provides various control sequences maintaining collective spin
squeezing and entanglement. It is observed that denser application of the
control pulses enhances the performance of the outcomes. Furthermore, there is
a minor enhancement in the performance by adding control actions. The proposed
strategy demonstrates increased effectiveness for larger systems. And thermal
excitations of the reservoir are detrimental to the control outcomes. It should
be confirmed that this is an open-loop strategy by closed-loop simulation,
circumventing collapse of quantum state induced by measurements. Thanks to the
flexible replaceability of the optimization modules and the controlled system,
this research paves the way for its application in manipulating other quantum
systems.
- Abstract(参考訳): 非古典的状態を生成するために,強化学習を工学的制御分野に適用する手法を提案する。
線形制御項を動的に制御するように設計した開集合スピンモデルに対してスピン圧縮状態を作成するための応用によって例示される。
本発明の強化学習剤は、散逸脱落を特徴とする環境において、コヒーレントスピン状態から生じる制御パルスの時間的シーケンスを決定する。
一定の制御シナリオと比較すると、このアプローチは集団スピンのスクイーズと絡み合いを維持する様々な制御シーケンスを提供する。
制御パルスの高密度適用により,結果の性能が向上することが観察された。
さらに、制御アクションを追加することで、パフォーマンスがわずかに向上している。
提案手法は,大規模システムにおける有効性の向上を示す。
また,貯水池の熱励起は制御結果に有害である。
これはクローズドループシミュレーションによるオープンループ戦略であり、測定によって引き起こされる量子状態の崩壊を回避することを確認する必要がある。
最適化モジュールと制御システムの柔軟な置換性のおかげで、この研究は、他の量子システムを操作するための応用の道を開いた。
関連論文リスト
- Decentralized Event-Triggered Online Learning for Safe Consensus of
Multi-Agent Systems with Gaussian Process Regression [3.405252606286664]
本稿では,補助力学によって強化された,学習に基づく分散制御法を提案する。
予測性能を継続的に向上するために、分散イベントトリガー機構を備えたデータ効率の高いオンライン学習戦略を提案する。
提案手法の有効性を示すため,従来の分散制御法とオフライン学習法を対比して比較分析を行った。
論文 参考訳(メタデータ) (2024-02-05T16:41:17Z) - Distributed Leader Follower Formation Control of Mobile Robots based on
Bioinspired Neural Dynamics and Adaptive Sliding Innovation Filter [14.66072990853587]
バイオインスパイアされた神経力学に基づくバックステッピングとスライディングモード制御ハイブリッド形成制御法を提案する。
提案した制御戦略は,従来のバックステッピング設計に存在する非現実的な速度ジャンプ問題を解決する。
提案手法の有効性と有効性を示すため,複数のシミュレーションを行った。
論文 参考訳(メタデータ) (2023-05-03T17:29:46Z) - Optimal State Manipulation for a Two-Qubit System Driven by Coherent and
Incoherent Controls [77.34726150561087]
2量子ビット量子系の最適制御には状態準備が重要である。
物理的に異なる2つのコヒーレント制御を利用し、ヒルベルト・シュミット目標密度行列を最適化する。
論文 参考訳(メタデータ) (2023-04-03T10:22:35Z) - On optimization of coherent and incoherent controls for two-level
quantum systems [77.34726150561087]
本稿では、閉かつオープンな2レベル量子系の制御問題について考察する。
閉系の力学は、コヒーレント制御を持つシュリンガー方程式によって支配される。
開系の力学はゴリーニ=コサコフスキー=スダルシャン=リンドブラッドのマスター方程式によって支配される。
論文 参考訳(メタデータ) (2022-05-05T09:08:03Z) - Sparsity in Partially Controllable Linear Systems [56.142264865866636]
本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。
最適制御には無関係な状態変数を特徴付ける。
論文 参考訳(メタデータ) (2021-10-12T16:41:47Z) - Exploring the limits of the generation of non-classical states of spins
coupled to a cavity by optimal control [0.0]
スピンの集団駆動による共振器に結合したスピンの非古典状態の生成について検討した。
本稿では, コヒーレントパルスとスクイーズパルスを用いた制御手法を提案する。
論文 参考訳(メタデータ) (2021-07-16T16:16:18Z) - Model-Free Quantum Control with Reinforcement Learning [0.0]
本研究では,量子制御タスクにおける強化学習エージェントをモデル無しで学習するための回路ベースアプローチを提案する。
実験可能な観測機器の測定値を用いて学習エージェントに報奨を与える方法を示す。
このアプローチは、サンプル効率の観点から、広く使われているモデルフリーメソッドよりも大幅に優れている。
論文 参考訳(メタデータ) (2021-04-29T17:53:26Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳(メタデータ) (2020-11-14T01:27:32Z) - Generation and storage of spin squeezing via learning-assisted optimal
control [7.460567829296081]
ボゾン場に結合した集合スピン系を考察し、このモデルにおける適切な定数制御がこれらの2つのモデルの動的挙動をシミュレートできることを示す。
強化学習アルゴリズムにより、制御が時間変化した場合に、より優れたスクイーズ性能が得られる。
定値制御と時間変化制御の両方を含む新しい種類の複合制御を構築するための4段階戦略を提案するが、異なる時間間隔で実行される。
論文 参考訳(メタデータ) (2020-10-26T09:31:04Z) - Reinforcement Learning for Low-Thrust Trajectory Design of
Interplanetary Missions [77.34726150561087]
本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。
最先端アルゴリズムのオープンソース実装が採用されている。
その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
論文 参考訳(メタデータ) (2020-08-19T15:22:15Z) - Adaptive Control and Regret Minimization in Linear Quadratic Gaussian
(LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。
LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文 参考訳(メタデータ) (2020-03-12T19:56:38Z)
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。