論文の概要: Model-free Distortion Canceling and Control of Quantum Devices

• arxiv url: http://arxiv.org/abs/2407.09877v1
• Date: Sat, 13 Jul 2024 12:54:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 20:27:46.252478
• Title: Model-free Distortion Canceling and Control of Quantum Devices
• Title（参考訳）: 量子デバイスのモデルフリー歪みキャンセリングと制御
• Authors: Ahmed F. Fouad, Akram Youssry, Ahmed El-Rafei, Sherif Hammad,
• Abstract要約: 深部強化学習(DRL)に基づく一般モデルフリー制御手法を提案する。 複数のNNを構成する新しいコントローラアーキテクチャを提案する。 我々は,99%以上の忠実度を有するチップの異なる目標出力分布のシーケンスを生成するよう,コントローラを訓練した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum devices need precise control to achieve their full capability. In this work, we address the problem of controlling closed quantum systems, tackling two main issues. First, in practice the control signals are usually subject to unknown classical distortions that could arise from the device fabrication, material properties and/or instruments generating those signals. Second, in most cases modeling the system is very difficult or not even viable due to uncertainties in the relations between some variables and inaccessibility to some measurements inside the system. In this paper, we introduce a general model-free control approach based on deep reinforcement learning (DRL), that can work for any closed quantum system. We train a deep neural network (NN), using the REINFORCE policy gradient algorithm to control the state probability distribution of a closed quantum system as it evolves, and drive it to different target distributions. We present a novel controller architecture that comprises multiple NNs. This enables accommodating as many different target state distributions as desired, without increasing the complexity of the NN or its training process. The used DRL algorithm works whether the control problem can be modeled as a Markov decision process (MDP) or a partially observed MDP. Our method is valid whether the control signals are discrete- or continuous-valued. We verified our method through numerical simulations based on a photonic waveguide array chip. We trained a controller to generate sequences of different target output distributions of the chip with fidelity higher than 99%, where the controller showed superior performance in canceling the classical signal distortions.
• Abstract（参考訳）: 量子デバイスはその完全な能力を達成するために正確な制御が必要である。 本研究では, 閉量子系制御の問題に対処し, 2つの問題に対処する。 第一に、制御信号は通常、デバイス製造、材料特性、および/またはそれらの信号を生成する機器から生じる可能性のある、未知の古典的な歪みの影響を受ける。 第二に、システムのモデリングは、変数間の不確実性や、システム内のいくつかの測定値に到達できないため、非常に困難または不可能である。 本稿では,任意の閉量子系に対して有効な深部強化学習(DRL)に基づく一般モデル自由制御手法を提案する。 我々は、REINFORCEポリシー勾配アルゴリズムを用いてディープニューラルネットワーク(NN)を訓練し、それが進化するにつれて閉じた量子システムの状態確率分布を制御し、異なるターゲット分布に誘導する。 複数のNNを構成する新しいコントローラアーキテクチャを提案する。 これにより、NNやそのトレーニングプロセスの複雑さを増大させることなく、必要に応じて多くの異なるターゲット状態の分散を調整できる。 使用済みのDRLアルゴリズムは、制御問題をマルコフ決定過程(MDP)または部分的に観察されたMDPとしてモデル化できるかどうかを検証する。 本手法は,制御信号が離散値か連続値かを検証する。 光導波路アレイチップを用いた数値シミュレーションにより本手法の検証を行った。 我々は,99%以上の忠実度を有するチップの異なる目標出力分布列を生成するために,コントローラを訓練し,古典的な信号歪みをキャンセルする際の優れた性能を示した。

関連論文リスト

• Robust Control for Dynamical Systems With Non-Gaussian Noise via Formal Abstractions [59.605246463200736]
  雑音分布の明示的な表現に依存しない新しい制御器合成法を提案する。 まず、連続制御系を有限状態モデルに抽象化し、離散状態間の確率的遷移によってノイズを捕捉する。 我々は最先端の検証技術を用いてマルコフ決定プロセスの間隔を保証し、これらの保証が元の制御システムに受け継がれるコントローラを演算する。
  論文  参考訳（メタデータ） (2023-01-04T10:40:30Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• Controlling quantum many-body systems using reduced-order modelling [0.0]
  本稿では,多体量子システムにおける制御問題のクラスを解くための効率的な手法を提案する。 もともとのサブシステムの「デジタルツイン」と見なされる、そのような縮小順序モデルの力学のシミュレーションは、はるかに効率的である。 この結果は、多体システムの研究、非自明な準粒子特性の探索、および量子コンピューティングデバイスの開発管理ツールに直接応用される。
  論文  参考訳（メタデータ） (2022-11-01T13:58:44Z)
• Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
  本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。 パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。 我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
  論文  参考訳（メタデータ） (2022-10-08T04:32:58Z)
• Optimal quantum control via genetic algorithms for quantum state engineering in driven-resonator mediated networks [68.8204255655161]
  進化的アルゴリズムに基づく量子状態工学には、機械学習によるアプローチを採用しています。 我々は、単一のモード駆動マイクロ波共振器を介して相互作用する、量子ビットのネットワーク(直接結合のない人工原子の状態に符号化された)を考える。 アルゴリズムは理想的なノイズフリー設定で訓練されているにもかかわらず、高い量子忠実度とノイズに対するレジリエンスを観測する。
  論文  参考訳（メタデータ） (2022-06-29T14:34:00Z)
• Self-Correcting Quantum Many-Body Control using Reinforcement Learning with Tensor Networks [0.0]
  本稿では、強化学習(RL)に基づく量子多体系を効率的に制御するための新しい枠組みを提案する。 我々は、RLエージェントが普遍的な制御を見出すことができ、多くの身体状態を最適に制御する方法を学ぶことができ、量子力学が摂動を受けるとき、制御プロトコルをオンザフライで適用できることを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:14:09Z)
• Model predictive control for robust quantum state preparation [4.069849286089743]
  量子制御のためのモデル予測制御(MPC)を導入する。 MPCは、測定フィードバックを取り入れることで、自然の障害拒絶の程度を継承する。 実用的な最適化制御シーケンスを生成するために, MPC をどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2022-01-14T00:55:41Z)
• 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)
• Control of Stochastic Quantum Dynamics with Differentiable Programming [0.0]
  微分可能プログラミングに基づく制御スキームの自動設計のためのフレームワークを提案する。 このアプローチを、ホモジエン検出を受けるクビットの状態準備と安定化に適用する。 その結果、信号と雑音の比が低いにもかかわらず、平均忠実度が約85%の目標状態へのキュービットの準備と安定化をコントローラに教えることができる。
  論文  参考訳（メタデータ） (2021-01-04T19:00:03Z)
• Chance-Constrained Control with Lexicographic Deep Reinforcement Learning [77.34726150561087]
  本稿では,レキシックなDeep Reinforcement Learning(DeepRL)に基づく確率制約マルコフ決定プロセスを提案する。 有名なDeepRLアルゴリズムDQNの辞書版も提案され、シミュレーションによって検証されている。
  論文  参考訳（メタデータ） (2020-10-19T13:09:14Z)
• Simulating nonnative cubic interactions on noisy quantum machines [65.38483184536494]
  量子プロセッサは、ハードウェアに固有のものではないダイナミクスを効率的にシミュレートするためにプログラムできることを示す。 誤差補正のないノイズのあるデバイスでは、モジュールゲートを用いて量子プログラムをコンパイルするとシミュレーション結果が大幅に改善されることを示す。
  論文  参考訳（メタデータ） (2020-04-15T05:16:24Z)

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。