Fugu-MT 論文翻訳(概要): Arbitrary quantum states preparation aided by deep reinforcement learning

論文の概要: Arbitrary quantum states preparation aided by deep reinforcement learning

arxiv url: http://arxiv.org/abs/2407.16368v1
Date: Tue, 23 Jul 2024 10:28:52 GMT
ステータス: 処理完了
システム内更新日: 2024-07-24 17:36:04.713133
Title: Arbitrary quantum states preparation aided by deep reinforcement learning
Title（参考訳）: 深部強化学習による任意量子状態の準備
Authors: Zhao-Wei Wang, Zhao-Ming Wang,
Abstract要約: 2つの任意の量子状態間の制御軌道設計を実現するために、初期状態と目標状態情報を状態準備タスクに統合する。その結果, 制御軌道は, 単一量子ビット系と2量子ビット系の両方に対して, 任意の量子状態の準備を効果的に達成できることが示唆された。
参考スコア（独自算出の注目度）: 0.89059457062394
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The preparation of quantum states is essential in the realm of quantum information processing, and the development of efficient methodologies can significantly alleviate the strain on quantum resources. Within the framework of deep reinforcement learning (DRL), we integrate the initial and the target state information within the state preparation task together, so as to realize the control trajectory design between two arbitrary quantum states. Utilizing a semiconductor double quantum dots (DQDs) model, our results demonstrate that the resulting control trajectories can effectively achieve arbitrary quantum state preparation (AQSP) for both single-qubit and two-qubit systems, with average fidelities of 0.9868 and 0.9556 for the test sets, respectively. Furthermore, we consider the noise around the system and the control trajectories exhibit commendable robustness against charge and nuclear noise. Our study not only substantiates the efficacy of DRL in QSP, but also provides a new solution for quantum control tasks of multi-initial and multi-objective states, and is expected to be extended to a wider range of quantum control problems.
Abstract（参考訳）: 量子状態の生成は、量子情報処理の領域において不可欠であり、効率的な方法論の開発は、量子資源の歪みを著しく緩和することができる。深部強化学習 (DRL) の枠組みの中で, 2つの任意の量子状態間の制御軌道設計を実現するために, 初期および目標状態情報を状態準備タスクに統合する。半導体二重量子ドット (DQD) モデルを用いて, 結果として得られる制御トラジェクトリは, 1量子ビットと2量子ビットの双方に対して, それぞれ0.9868と0.9556と, 任意の量子状態準備 (AQSP) を効果的に達成できることを示した。さらに, システムの周囲の騒音と制御軌道は, 電荷や核騒音に対して高い頑健性を示す。本研究は,QSPにおけるDRLの有効性を裏付けるだけでなく,複数初期状態と多目的状態の量子制御タスクに対する新しいソリューションを提供し,より広範な量子制御問題に拡張されることが期待されている。

関連論文リスト

A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文参考訳（メタデータ） (2024-01-10T22:33:00Z)
Dual-GSE: Resource-efficient Generalized Quantum Subspace Expansion [2.3847436897240453]
一般化量子部分空間展開(GSE)は、コヒーレントな誤差に対してかなり堅牢である。我々は「Dual-GSE」と呼ばれる資源効率の高いGSEの実装を提案する。注目すべきは、Dual-GSEは利用可能な量子ハードウェアのサイズを超えて、より大きな量子システムをシミュレートすることができることだ。
論文参考訳（メタデータ） (2023-09-25T14:28:40Z)
Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
論文参考訳（メタデータ） (2022-09-16T02:37:32Z)
Efficient Bipartite Entanglement Detection Scheme with a Quantum Adversarial Solver [89.80359585967642]
パラメータ化量子回路で完了した2プレーヤゼロサムゲームとして,両部絡み検出を再構成する。このプロトコルを線形光ネットワーク上で実験的に実装し、5量子量子純状態と2量子量子混合状態の両部絡み検出に有効であることを示す。
論文参考訳（メタデータ） (2022-03-15T09:46:45Z)
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)
High-fidelity tracking of the evolution of multilevel quantum states [0.0]
量子制御のためのアルゴリズムはローレンツ変換群のスピノル表現を利用する。適応量子測定の弱い摂動によるフィードバックは、量子システムの高精度な制御を実現することができることを示した。
論文参考訳（メタデータ） (2022-01-09T19:23:09Z)
Quasiprobabilistic state-overlap estimator for NISQ devices [0.39583175274885335]
2つの量子状態の重なり合う状態という重要な概念は、量子シミュレータと量子コンピュータを検証し、相互に検証するための自然なツールを提供する。ここでは,量子状態間の重なり合いを因子的準確率的表現に基づいて測定する実践的アプローチを示す。
論文参考訳（メタデータ） (2021-12-22T01:51:31Z)
On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文参考訳（メタデータ） (2021-06-29T14:01:40Z)
Experimentally Realizing Efficient Quantum Control with Reinforcement Learning [2.733342606024131]
我々は,171mathrmYb+$イオンを捕捉した深部強化学習(DRL)に基づく量子制御の代替手法を実験的に実証した。特に、DRLはショートカットからアディバティティティ(STA)に束縛された実行時間を持つ高速で堅牢なデジタル量子演算に繋がることがわかった。我々の実験は、デジタル量子制御の一般的な枠組みを明らかにし、量子情報処理の有望な向上につながった。
論文参考訳（メタデータ） (2021-01-22T09:34:58Z)
Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。