論文の概要: Meta-learning characteristics and dynamics of quantum systems

• arxiv url: http://arxiv.org/abs/2503.10492v1
• Date: Thu, 13 Mar 2025 15:56:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 21:36:22.751716
• Title: Meta-learning characteristics and dynamics of quantum systems
• Title（参考訳）: 量子系のメタラーニング特性とダイナミクス
• Authors: Lucas Schorling, Pranav Vaidhyanathan, Jonas Schuff, Miguel J. Carballido, Dominik Zumbühl, Gerard Milburn, Florian Marquardt, Jakob Foerster, Michael A. Osborne, Natalia Ares,
• Abstract要約: メタ学習は、ほとんどデータが得られない新しいシステムに適応できることを示す。 ゲート電圧の異なるGe/Siコア/シェルナノワイヤにホストされたLoss-DiVincenzoスピン量子ビットの実験データを用いる。 提案手法を,他のメタ学習手法,バニラ変圧器,多層パーセプトロンと比較し,性能向上を実証した。
• 参考スコア（独自算出の注目度）: 13.0497547254242
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While machine learning holds great promise for quantum technologies, most current methods focus on predicting or controlling a specific quantum system. Meta-learning approaches, however, can adapt to new systems for which little data is available, by leveraging knowledge obtained from previous data associated with similar systems. In this paper, we meta-learn dynamics and characteristics of closed and open two-level systems, as well as the Heisenberg model. Based on experimental data of a Loss-DiVincenzo spin-qubit hosted in a Ge/Si core/shell nanowire for different gate voltage configurations, we predict qubit characteristics i.e. $g$-factor and Rabi frequency using meta-learning. The algorithm we introduce improves upon previous state-of-the-art meta-learning methods for physics-based systems by introducing novel techniques such as adaptive learning rates and a global optimizer for improved robustness and increased computational efficiency. We benchmark our method against other meta-learning methods, a vanilla transformer, and a multilayer perceptron, and demonstrate improved performance.
• Abstract（参考訳）: 機械学習は量子技術に大きな可能性を秘めているが、現在のほとんどの手法は特定の量子システムの予測や制御に重点を置いている。 しかし、メタラーニングアプローチは、類似したシステムに関連する以前のデータから得られた知識を活用することで、ほとんどデータが得られない新しいシステムに適応することができる。 本稿では,ハイゼンベルクモデルと同様に,閉かつオープンな2段階系のメタラーン力学と特性について述べる。 ゲート電圧の異なるGe/Siコア/シェルナノワイヤにホストされたLoss-DiVincenzoスピン量子ビットの実験データに基づいて,メタラーニングを用いて量子ビット特性,すなわち$g$-factorおよびRabi周波数を予測する。 本アルゴリズムは,適応学習率などの新しい手法を導入し,ロバスト性の向上と計算効率の向上を目的としたグローバルオプティマイザを提案する。 提案手法を,他のメタ学習手法,バニラ変圧器,多層パーセプトロンと比較し,性能向上を実証した。

関連論文リスト

• Explorative Curriculum Learning for Strongly Correlated Electron Systems [5.443662050302865]
  ニューラルネットワーク量子状態(NQS)の最近の進歩により、複雑な量子多体系に対する高精度な予測が可能になった。 NQSのための転写学習に基づく新しいカリキュラム学習フレームワークを提案する。 計算における約200倍の高速化と,従来の手法に比べて最適化安定性が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2025-05-01T00:46:52Z)
• Manifold meta-learning for reduced-complexity neural system identification [1.0276024900942875]
  低次元多様体を発見するメタラーニングフレームワークを提案する。 この多様体は、関連する力学系のクラスによって生成される入力出力シーケンスのメタデータセットから学習される。 両レベルメタラーニングアプローチとは異なり,本手法では,学習多様体に直接データセットをマッピングする補助的ニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2025-04-16T06:49:56Z)
• Regression and Classification with Single-Qubit Quantum Neural Networks [0.0]
  我々は、回帰処理と分類処理の両方にリソース効率が高くスケーラブルなSQQNN(Single-Qubit Quantum Neural Network)を使用する。 分類にはTaylor級数にインスパイアされた新しいトレーニング手法を導入する。 SQQNNは、MNISTデータセットを含む回帰および分類タスクにおいて、事実上エラーのない、強力なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-12-12T17:35:36Z)
• Higher order quantum reservoir computing for non-intrusive reduced-order models [0.0]
  量子貯水池計算技術(QRC)は、相互接続された小さな量子系のアンサンブルを利用するハイブリッド量子古典的フレームワークである。 QRCは, 複雑な非線形力学系を安定かつ高精度に予測できることを示す。
  論文  参考訳（メタデータ） (2024-07-31T13:37:04Z)
• Evolutionary-enhanced quantum supervised learning model [0.0]
  本研究は,進化的アンサッツフリー教師あり学習モデルを提案する。 パラメタライズド回路とは対照的に、われわれのモデルはエリート的手法によって進化する可変位相を持つ回路を用いる。 我々のフレームワークは不毛の台地を避けることに成功し、結果としてモデルの精度が向上した。
  論文  参考訳（メタデータ） (2023-11-14T11:08:47Z)
• Multi-Agent Quantum Reinforcement Learning using Evolutionary Optimization [6.3443033704469]
  我々は、勾配のない量子強化学習のための既存のアプローチを構築し、マルチエージェント強化学習のための変分量子回路を用いた3つの遺伝的バリエーションを提案する。 我々は、トレーニング可能なパラメータの量に類似したニューラルネットワークと比較して、変動量子回路のアプローチが大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-09T17:45:32Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。 本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
  論文  参考訳（メタデータ） (2020-02-17T19:06:05Z)

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。