論文の概要: Controlling nonergodicity in quantum many-body systems by reinforcement learning
- arxiv url: http://arxiv.org/abs/2408.11989v2
- Date: Mon, 9 Sep 2024 21:03:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 22:22:10.072222
- Title: Controlling nonergodicity in quantum many-body systems by reinforcement learning
- Title（参考訳）: 強化学習による量子多体系の非エルゴディディティ制御
- Authors: Li-Li Ye, Ying-Cheng Lai,
- Abstract要約: 量子非エルゴディティ制御のためのモデルフリー・ディープ強化学習フレームワークを開発した。
我々は, DRLエージェントが量子多体系を効率的に学習できることを実証するために, パラダイム的一次元傾斜Fermi-Hubbardシステムを用いた。
連続制御プロトコルと観測は実験的に実現可能である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finding optimal control strategies to suppress quantum thermalization for arbitrarily initial states, the so-called quantum nonergodicity control, is important for quantum information science and technologies. Previous control methods largely relied on theoretical model of the target quantum system, but invertible model approximations and inaccuracies can lead to control failures. We develop a model-free and deep-reinforcement learning (DRL) framework for quantum nonergodicity control. It is a machine-learning method with the unique focus on balancing exploration and exploitation strategies to maximize the cumulative rewards so as to preserve the initial memory in the time-dependent nonergodic metrics over a long stretch of time. We use the paradigmatic one-dimensional tilted Fermi-Hubbard system to demonstrate that the DRL agent can efficiently learn the quantum many-body system solely through the interactions with the environment. The optimal policy obtained by the DRL provides broader control scenarios for managing nonergodicity in the phase diagram as compared to, e.g., the specific protocol for Wannier-Stark localization. The continuous control protocols and observations are experimentally feasible. The model-free nature of DRL and its versatile search space for control functions render promising nonergodicity control in more complex quantum many-body systems.
- Abstract（参考訳）: 任意の初期状態に対する量子熱化を抑制するための最適制御戦略を見つけることは、量子情報科学や技術にとって重要である。
従来の制御方法は、主にターゲットの量子系の理論的モデルに依存していたが、可逆的なモデル近似と不正確さは制御の失敗に繋がる可能性がある。
量子非エルゴディティ制御のためのモデルフリー・ディープ強化学習(DRL)フレームワークを開発した。
長期にわたる時間依存の非エルゴディックメトリクスにおける初期記憶を維持するために、累積的な報酬を最大化するために、探索と搾取戦略のバランスにユニークな焦点をあてた機械学習手法である。
我々は,一次元傾斜したフェルミ・ハバード系を用いて,DRLエージェントが環境との相互作用のみで量子多体系を効率的に学習できることを実証した。
DRLによって得られた最適ポリシーは、ワニエ・スターク局所化の特定のプロトコルである、例えば、位相図における非エルゴディディティを管理するためのより広範な制御シナリオを提供する。
連続制御プロトコルと観測は実験的に実現可能である。
DRLのモデル自由性とその制御関数に対する汎用探索空間は、より複雑な量子多体系において有望な非エルゴディディティ制御を与える。
関連論文リスト
- Quantum control by the environment: Turing uncomputability, Optimization over Stiefel manifolds, Reachable sets, and Incoherent GRAPE [56.47577824219207]
多くの現実的な状況において、制御された量子系は環境と相互作用する。
本稿では,環境を資源として利用したオープン量子システムの制御に関するいくつかの結果について概説する。
論文 参考訳（メタデータ） (2024-03-20T10:09:13Z) - Quantum Gate Generation in Two-Level Open Quantum Systems by Coherent
and Incoherent Photons Found with Gradient Search [77.34726150561087]
我々は、非コヒーレント光子によって形成される環境を、非コヒーレント制御によるオープン量子系制御の資源とみなす。
我々は、ハミルトニアンにおけるコヒーレント制御と、時間依存デコヒーレンス率を誘導する散逸器における非コヒーレント制御を利用する。
論文 参考訳（メタデータ） (2023-02-28T07:36:02Z) - Multi-squeezed state generation and universal bosonic control via a
driven quantum Rabi model [68.8204255655161]
ボゾン自由度に対する普遍的な制御は、量子ベース技術の探求において鍵となる。
ここでは、駆動量子ラビモデルを介して、ボソニックモードの興味と相互作用する単一の補助的な2レベルシステムを考える。
ガウス門と非ガウス門の大きな類を決定論的に実現することは十分であることを示す。
論文 参考訳（メタデータ） (2022-09-16T14:18:53Z) - 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) - 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) - 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) - Quantum control landscape for ultrafast generation of single-qubit phase
shift quantum gates [68.8204255655161]
単一量子ビット位相シフト量子ゲートの超高速制御問題を考える。
大域的最適制御は、最大忠実度でゲートを実現する制御である。
Trapは、ローカルにのみ最適だが、グローバルにはないコントロールである。
論文 参考訳（メタデータ） (2021-04-26T16:38:43Z) - 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) - Reinforcement Learning for Many-Body Ground-State Preparation Inspired
by Counterdiabatic Driving [2.5614220901453333]
CD-QAOAは量子多体システム向けに設計され、強化学習(RL)アプローチを用いて最適化されている。
本研究では,アディベートゲージ電位の項を付加的な制御ユニタリの生成元として用いることで,アディベート状態から高速な多体制御を実現することができることを示す。
この研究は、量子多体制御のために、ディープラーニングによる最近の成功を取り入れる道を開いた。
論文 参考訳（メタデータ） (2020-10-07T21:13:22Z) - Quantum optimal control of multi-level dissipative quantum systems with
Reinforcement Learning [0.06372261626436676]
本稿では,多段階散逸型量子制御フレームワークを提案し,深部強化学習が最適戦略の同定に有効な方法であることを示す。
このフレームワークは、他の量子制御モデルに適用するために一般化することができる。
論文 参考訳（メタデータ） (2020-07-02T02:11:06Z)
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。