論文の概要: Reinforcement Learning for Quantum Control under Physical Constraints
- arxiv url: http://arxiv.org/abs/2501.14372v1
- Date: Fri, 24 Jan 2025 10:11:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-27 14:56:37.957380
- Title: Reinforcement Learning for Quantum Control under Physical Constraints
- Title（参考訳）: 物理制約下における量子制御の強化学習
- Authors: Jan Ole Ernst, Aniket Chatterjee, Tim Franzmeyer, Axel Kuhn,
- Abstract要約: 可能な解の空間を制限する物理インフォームド強化学習アルゴリズムを考案する。
提案手法は, 広義に関係した3つの量子系上で評価する。
- 参考スコア（独自算出の注目度）: 2.874893537471256
- License:
- Abstract: Quantum optimal control is concerned with the realisation of desired dynamics in quantum systems, serving as a linchpin for advancing quantum technologies and fundamental research. Analytic approaches and standard optimisation algorithms do not yield satisfactory solutions for large quantum systems, and especially not for real world quantum systems which are open and noisy. We devise a physics-informed Reinforcement Learning (RL) algorithm that restricts the space of possible solutions. We incorporate priors about the desired time scales of the quantum state dynamics - as well as realistic control signal limitations - as constraints to the RL algorithm. These physics-informed constraints additionally improve computational scalability by facilitating parallel optimisation. We evaluate our method on three broadly relevant quantum systems (multi-level $\Lambda$ system, Rydberg atom and superconducting transmon) and incorporate real-world complications, arising from dissipation and control signal perturbations. We achieve both higher fidelities - which exceed 0.999 across all systems - and better robustness to time-dependent perturbations and experimental imperfections than previous methods. Lastly, we demonstrate that incorporating multi-step feedback can yield solutions robust even to strong perturbations.
- Abstract（参考訳）: 量子最適制御は、量子系における所望のダイナミクスの実現に関係しており、量子技術の進歩と基礎研究のためのリンチピンとして機能している。
解析的アプローチと標準最適化アルゴリズムは、大規模量子系、特に開放的でノイズの多い実世界の量子系に対して、満足のいく解を得られない。
可能な解の空間を制限する物理インフォームド強化学習(RL)アルゴリズムを考案する。
我々は、RLアルゴリズムの制約として、量子状態力学の所望の時間スケール、および現実的な制御信号制限に関する事前を組み込んだ。
これらの物理インフォームド制約は、並列最適化を容易にすることにより、計算スケーラビリティをさらに向上させる。
我々は, 広義の量子システム(マルチレベル$\Lambda$システム, Rydberg原子, 超伝導トランスモン)について評価し, 散逸と制御信号の摂動から生じる実世界の合併症を取り入れた。
すべてのシステムで0.999を超える高い忠実さと、時間依存の摂動と実験的不完全性の両方を達成する。
最後に,多段階フィードバックを組み込むことで,強い摂動に対しても堅牢な解が得られることを示す。
関連論文リスト
- Bias-field digitized counterdiabatic quantum optimization [39.58317527488534]
我々はこのプロトコルをバイアス場デジタルダイアバティック量子最適化(BF-DCQO)と呼ぶ。
私たちの純粋に量子的なアプローチは、古典的な変分量子アルゴリズムへの依存を排除します。
基底状態の成功確率のスケーリング改善を実現し、最大2桁まで増大する。
論文 参考訳（メタデータ） (2024-05-22T18:11:42Z) - Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
期待されている量子コンピュータの応用は、科学と産業にまたがる。
本稿では,量子アルゴリズムの応用分野について検討する。
私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
論文 参考訳（メタデータ） (2023-10-04T17:53:55Z) - Invariant-based control of quantum many-body systems across critical points [0.0]
本稿では,多体系の低エネルギー部分空間内での断熱的進化を保証するために,動的不変量に基づく制御手法を提案する。
制御可能なパラメータを解析的制御結果に従って調整することにより,速度限界に近い高忠実度進化を実現する。
注目すべきは、我々のアプローチがKibble-Zurekスケーリングの法則を破り、チューニング可能で時間スケーリングの振る舞いを大幅に改善したことです。
論文 参考訳（メタデータ） (2023-09-11T14:09:37Z) - 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) - Physics-informed neural networks for quantum control [0.0]
物理インフォームドニューラルネットワーク(PINN)を用いた最適量子制御問題の計算手法を提案する。
我々は,高確率,短時間の進化,低エネルギー消費制御を用いた状態間移動問題を効率的に解き,量子システムを開放する手法を適用した。
論文 参考訳（メタデータ） (2022-06-13T16:17:22Z) - Quantum Optimization of Maximum Independent Set using Rydberg Atom
Arrays [39.76254807200083]
最大独立集合問題の解法として量子アルゴリズムを実験的に検討する。
問題の難易度は解の縮退と局所ミニマの数によって制御される。
最も難しいグラフでは、正確な解を見つける際に超線形量子スピードアップを観測する。
論文 参考訳（メタデータ） (2022-02-18T19:00:01Z) - 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) - 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) - Experimental implementation of universal holonomic quantum computation
on solid-state spins with optimal control [12.170408456188934]
室温でのダイヤモンド中の固体スピンを用いた非断熱ホロノミック量子計算を実験的に実装した。
従来の幾何学的手法と比較して、ホロノミックな単一量子ビットと2量子ビットの量子論理ゲートの普遍的な集合の忠実度が向上する。
この研究は、現実的なシステムにおけるフォールトトレラントでスケーラブルな量子計算に向けて重要な一歩を踏み出す。
論文 参考訳（メタデータ） (2021-02-18T09:02:02Z) - Quantum Geometric Machine Learning for Quantum Circuits and Control [78.50747042819503]
我々は、量子幾何学的制御問題に対するディープラーニングの適用をレビューし、拡張する。
量子回路合成問題における時間-最適制御の強化について述べる。
我々の研究結果は、時間-最適制御問題に対する機械学習と幾何学的手法を組み合わせた量子制御と量子情報理論の研究者にとって興味深いものである。
論文 参考訳（メタデータ） (2020-06-19T19:12:14Z) - Policy Gradient based Quantum Approximate Optimization Algorithm [2.5614220901453333]
本稿では,QAOAの変動パラメータをノイズキャンバス方式で最適化するために,政策段階に基づく強化学習アルゴリズムが適していることを示す。
単一および多ビット系における量子状態伝達問題に対するアルゴリズムの性能解析を行う。
論文 参考訳（メタデータ） (2020-02-04T00:46:51Z)
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。