論文の概要: A learning agent-based approach to the characterization of open quantum systems
- arxiv url: http://arxiv.org/abs/2501.05350v1
- Date: Thu, 09 Jan 2025 16:25:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-10 13:58:42.434213
- Title: A learning agent-based approach to the characterization of open quantum systems
- Title（参考訳）: 学習エージェントに基づくオープン量子システムのキャラクタリゼーション
- Authors: Lorenzo Fioroni, Ivan Rojkov, Florentin Reiter,
- Abstract要約: 我々は,オープンな量子モデル学習エージェント (oQMLA) フレームワークを導入し,Louvillianフォーマリズムによるマルコフ雑音を考慮した。
ハミルトン作用素とジャンプ作用素を同時に学習することにより、oQMLAは独立に系のコヒーレント力学と非コヒーレント力学の両方を捉える。
複雑化のシミュレーションシナリオにおける本実装の有効性を検証し,ハードウェアによる測定誤差に対するロバスト性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Characterizing quantum processes is crucial for the execution of quantum algorithms on available quantum devices. A powerful framework for this purpose is the Quantum Model Learning Agent (QMLA) which characterizes a given system by learning its Hamiltonian via adaptive generations of informative experiments and their validation against simulated models. Identifying the incoherent noise of a quantum device in addition to its coherent interactions is, however, as essential. Precise knowledge of such imperfections of a quantum device allows to devise strategies to mitigate detrimental effects, for example via quantum error correction. We introduce the open Quantum Model Learning Agent (oQMLA) framework to account for Markovian noise through the Liouvillian formalism. By simultaneously learning the Hamiltonian and jump operators, oQMLA independently captures both the coherent and incoherent dynamics of a system. The added complexity of open systems necessitates advanced algorithmic strategies. Among these, we implement regularization to steer the algorithm towards plausible models and an unbiased metric to evaluate the quality of the results. We validate our implementation in simulated scenarios of increasing complexity, demonstrating its robustness to hardware-induced measurement errors and its ability to characterize systems using only local operations. Additionally, we develop a scheme to interface oQMLA with a publicly available superconducting quantum computer, showcasing its practical utility. These advancements represent a significant step toward improving the performance of quantum hardware and contribute to the broader goal of advancing quantum technologies and their applications.
- Abstract（参考訳）: 利用可能な量子デバイス上での量子アルゴリズムの実行には、量子プロセスのキャラクタリゼーションが不可欠である。
この目的のための強力なフレームワークは量子モデル学習エージェント(QMLA)であり、適応的な情報的実験の世代とシミュレーションモデルに対する検証を通じて、ハミルトニアンを学習することで、与えられたシステムを特徴付ける。
しかし、そのコヒーレント相互作用に加えて、量子デバイスの非コヒーレントノイズを同定することが不可欠である。
このような量子装置の不完全性の正確な知識は、例えば量子エラー補正を通じて、有害な効果を緩和するための戦略を考案することができる。
我々は,オープンな量子モデル学習エージェント (oQMLA) フレームワークを導入し,Louvillianフォーマリズムによるマルコフ雑音を考慮した。
ハミルトン作用素とジャンプ作用素を同時に学習することにより、oQMLAは独立に系のコヒーレント力学と非コヒーレント力学の両方を捉える。
オープンシステムの複雑さは高度なアルゴリズム戦略を必要とする。
これらのうち、我々はアルゴリズムを可塑性モデルに向ける正規化と、結果の質を評価するための偏りのない計量を実装した。
複雑化のシミュレーションシナリオにおいて,ハードウェアによる測定誤差に対するロバスト性を実証し,ローカル操作のみを用いてシステムを特徴付ける能力を示す。
さらに,oQMLAを利用可能な超伝導量子コンピュータにインタフェースさせる手法を開発し,その実用性を示す。
これらの進歩は、量子ハードウェアの性能向上に向けた重要なステップであり、量子技術とその応用の進歩というより広い目標に寄与している。
関連論文リスト
- Quantum Bayesian Networks for Machine Learning in Oil-Spill Detection [3.9554540293311864]
本稿では、量子ベイズネットワーク(QBN)を用いて、不均衡なデータセットを分類する新しいベイズアプローチを提案する。
量子拡張を古典的な機械学習アーキテクチャに統合するという課題を効果的に解決する。
本研究は, 異常の検出・分類において重要な進歩を示し, より効果的かつ正確な環境モニタリング・管理に寄与している。
論文 参考訳（メタデータ） (2024-12-24T15:44:26Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。
小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
論文 参考訳（メタデータ） (2024-04-01T20:55:03Z) - Quantum benefit of the quantum equation of motion for the strongly
coupled many-body problem [0.0]
量子運動方程式 (quantum equation of motion, QEOM) はフェルミオン多体系の励起特性を計算するためのハイブリッド量子古典アルゴリズムである。
我々は、qEOMが要求される量子測定数の独立性により量子的利益を示すことを明らかに示している。
論文 参考訳（メタデータ） (2023-09-18T22:10:26Z) - Explainable Quantum Machine Learning [0.7046417074932257]
人工知能(AI)や特に機械学習(ML)の手法は、これまで以上に複雑になってきている。
並行して、量子機械学習(QML)が登場し、量子コンピューティングハードウェアの改善が進行中である。
論文 参考訳（メタデータ） (2023-01-22T15:17:12Z) - Potential and limitations of quantum extreme learning machines [55.41644538483948]
本稿では,QRCとQELMをモデル化するフレームワークを提案する。
我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
論文 参考訳（メタデータ） (2022-10-03T09:32:28Z) - 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) - 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) - Efficient Quantum Simulation of Open Quantum System Dynamics on Noisy
Quantum Computers [0.0]
量子散逸ダイナミクスは、コヒーレントからインコヒーレントにまたがって効率的にシミュレートできることを示す。
この研究は、NISQ時代の量子優位性のための新しい方向性を提供する。
論文 参考訳（メタデータ） (2021-06-24T10:37:37Z) - Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。
EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文 参考訳（メタデータ） (2021-04-30T20:38:41Z) - 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)
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。