論文の概要: Non-Markovian Quantum Control via Model Maximum Likelihood Estimation and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2402.05084v1
• Date: Wed, 7 Feb 2024 18:37:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-08 14:02:35.456476
• Title: Non-Markovian Quantum Control via Model Maximum Likelihood Estimation and Reinforcement Learning
• Title（参考訳）: モデル最大確率推定と強化学習による非マルコフ量子制御
• Authors: Tanmay Neema (1), Susmit Jha (1), Tuhin Sahai (2) ((1) SRI International Computer Science Laboratory, (2) SRI International Applied Sciences)
• Abstract要約: 環境の非マルコフ的性質を低次元有効貯留層に組み込む新しい手法を提案する。 従来のトモグラフィ法よりも効率的な量子力学の学習に機械学習技術を用いる。 このアプローチはモデルバイアスの問題を緩和するだけでなく、量子力学のより正確な表現を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement Learning (RL) techniques have been increasingly applied in optimizing control systems. However, their application in quantum systems is hampered by the challenge of performing closed-loop control due to the difficulty in measuring these systems. This often leads to reliance on assumed models, introducing model bias, a problem that is exacerbated in open quantum dynamics where Markovian approximations are not valid. To address these challenges, we propose a novel approach that incorporates the non-Markovian nature of the environment into a low-dimensional effective reservoir. By initially employing a series of measurements as a 'dataset', we utilize machine learning techniques to learn the effective quantum dynamics more efficiently than traditional tomographic methods. Our methodology aims to demonstrates that by integrating reinforcement learning with model learning, it is possible to devise control policies and models that can counteract decoherence in a spin-boson system. This approach may not only mitigates the issues of model bias but also provides a more accurate representation of quantum dynamics, paving the way for more effective quantum control strategies.
• Abstract（参考訳）: 強化学習(RL)技術は制御システムの最適化にますます応用されている。 しかし、量子システムにおけるそれらの応用は、これらのシステムを測定するのが困難であるため、閉ループ制御を行うことの難しさによって妨げられている。 これはしばしば、マルコフ近似が有効でない開量子力学において悪化する問題であるモデルバイアスを導入する、仮定されたモデルに依存する。 これらの課題に対処するため,我々は環境の非マルコフ的性質を低次元有効貯留層に組み込む新しい手法を提案する。 当初、一連の測定を「データセット」として使用することにより、従来のトモグラフィー法よりも効率的な量子力学を学習するために機械学習技術を利用する。 本手法は,強化学習とモデル学習を統合することで,スピンボソンシステムにおいてデコヒーレンスに対処できる制御ポリシーやモデルを作成することができることを示す。 このアプローチはモデルバイアスの問題を軽減するだけでなく、より正確な量子力学表現を提供し、より効果的な量子制御戦略への道を開く。

関連論文リスト

• Evolutionary-enhanced quantum supervised learning model [0.0]
  本研究は,進化的アンサッツフリー教師あり学習モデルを提案する。 パラメタライズド回路とは対照的に、われわれのモデルはエリート的手法によって進化する可変位相を持つ回路を用いる。 我々のフレームワークは不毛の台地を避けることに成功し、結果としてモデルの精度が向上した。
  論文  参考訳（メタデータ） (2023-11-14T11:08:47Z)
• Experimental graybox quantum system identification and control [2.92406842378658]
  我々は、量子システムの物理モデルを構築し、最適制御の設計に利用する「グレーボックス」アプローチを実験的に実証した。 提案手法は,物理原理と高精度な機械学習を組み合わせることで,必要な制御量を直接測定できないような問題に対して有効である。 この方法は自然に時間依存的かつオープンな量子システムに拡張され、量子ノイズ分光とキャンセルへの応用がある。
  論文  参考訳（メタデータ） (2022-06-24T10:19:55Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Optimal steering of matrix product states and quantum many-body scars [0.0]
  行列積状態(MPS)に基づく量子系制御へのアプローチを定式化する。 本稿では,局所的ステアリング問題(ローカルステアリング問題)に対する反断熱・漏れ最小化手法について比較する。 リークベースのアプローチは、一般的に反断熱フレームワークよりも優れています。
  論文  参考訳（メタデータ） (2022-04-06T15:34:27Z)
• Gradient Ascent Pulse Engineering with Feedback [0.0]
  本稿では,モデルなし強化学習の概念を取り入れたフィードバック-GRAPEを提案する。 本手法は,ノイズの存在下での状態調整と安定化のための解釈可能なフィードバック戦略を導出する。
  論文  参考訳（メタデータ） (2022-03-08T18:46:09Z)
• 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)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• 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)
• Dynamically corrected gates from geometric space curves [55.41644538483948]
  本稿では,量子進化と幾何学的空間曲線の密接な関係を利用した演算をしながら,動的に誤差を補正する制御場の設計手法について概説する。 このアプローチは、与えられたタスクを達成する制御フィールドのグローバルなソリューション空間へのアクセスを提供し、様々なアプリケーションに対して実験可能なゲート操作の設計を容易にする。
  論文  参考訳（メタデータ） (2021-03-30T01:12:36Z)
• Error mitigation and quantum-assisted simulation in the error corrected regime [77.34726150561087]
  量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。 量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
  論文  参考訳（メタデータ） (2021-03-12T20:58:41Z)
• Information Theoretic Model Predictive Q-Learning [64.74041985237105]
  本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。 バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2019-12-31T00:29:22Z)

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。