論文の概要: Machine Learning-aided Optimal Control of a noisy qubit

• arxiv url: http://arxiv.org/abs/2507.14085v1
• Date: Fri, 18 Jul 2025 17:06:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.370925
• Title: Machine Learning-aided Optimal Control of a noisy qubit
• Title（参考訳）: 雑音量子ビットの機械学習支援最適制御
• Authors: Riccardo Cantone, Shreyasi Mukherjee, Luigi Giannelli, Elisabetta Paladino, Giuseppe Falci,
• Abstract要約: 環境騒音からマルコフ力学と非マルコフ力学をモデル化し、制御するために、グレーボックス機械学習フレームワークを適用した。 非ガウス的ランダム・テレグラフノイズとガウス的オルンシュタイン・ウレンベックノイズの両方をベンチマークし、難易度の高いノイズカップリングシステムにおいても予測誤差を低くする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We apply a graybox machine-learning framework to model and control a qubit undergoing Markovian and non-Markovian dynamics from environmental noise. The approach combines physics-informed equations with a lightweight transformer neural network based on the self-attention mechanism. The model is trained on simulated data and learns an effective operator that predicts observables accurately, even in the presence of memory effects. We benchmark both non-Gaussian random-telegraph noise and Gaussian Ornstein-Uhlenbeck noise and achieve low prediction errors even in challenging noise coupling regimes. Using the model as a dynamics emulator, we perform gradient-based optimal control to identify pulse sequences implementing a universal set of single-qubit gates, achieving fidelities above 99% for the lowest considered value of the coupling and remaining above 90% for the highest.
• Abstract（参考訳）: 環境騒音からマルコフ力学と非マルコフ力学をモデル化し、制御するために、グレーボックス機械学習フレームワークを適用した。 このアプローチは、物理インフォームド方程式と自己認識機構に基づく軽量トランスフォーマーニューラルネットワークを組み合わせる。 モデルはシミュレーションデータに基づいてトレーニングされ、メモリ効果がある場合でも観測可能量を正確に予測する効果的な演算子を学習する。 非ガウス的ランダム・テレグラフノイズとガウス的オルンシュタイン・ウレンベックノイズの両方をベンチマークし、難易度の高いノイズカップリングシステムにおいても予測誤差を低くする。 このモデルを動的エミュレータとして使用し、単一量子ゲートの普遍的な集合を実装したパルス列を勾配に基づく最適制御により同定し、結合の最小値が99%以上、最高値が90%以上であることを示す。

関連論文リスト

• Efficient learning and optimizing non-Gaussian correlated noise in digitally controlled qubit systems [1.5293427903448027]
  雑音最適化回路設計における高次スペクトル推定法について述べる。 注目すべきは、デジタル駆動された量子ビットダイナミクスは、適用された制御の複雑さによってのみ決定できることである。
  論文  参考訳（メタデータ） (2025-02-08T02:09:40Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Roll-Drop: accounting for observation noise with a single parameter [15.644420658691411]
  本稿では,Deep-Reinforcement Learning(DRL)におけるsim-to-realのための簡単な戦略を提案する。 シミュレーション中にドロップアウトを使用して、各状態の分布を明示的にモデル化することなく、デプロイメント中の観測ノイズを考慮します。 観測では,最大25%のノイズを注入した場合の80%の成功率を示し,ベースラインの2倍の堅牢性を示した。
  論文  参考訳（メタデータ） (2023-04-25T20:52:51Z)
• Inferring Smooth Control: Monte Carlo Posterior Policy Iteration with Gaussian Processes [39.411957858548355]
  オンラインシーケンシャル推論を用いて,よりスムーズなモデル予測因子制御を実現する方法を示す。 提案手法は,いくつかのロボット制御タスクにおいて,従来の手法と一致し,スムーズさを確保しつつ評価する。
  論文  参考訳（メタデータ） (2022-10-07T12:56:31Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Fitting quantum noise models to tomography data [0.0]
  我々は未知のノイズ過程を分析し評価するアルゴリズムを開発した。 マルコフ進化に整合した力学の場合、我々のアルゴリズムは最良のリンドブラディアンを出力する。 非マルコフ力学の場合、我々のアルゴリズムは非マルコフ性の定量的かつ操作的に有意な測度を返す。
  論文  参考訳（メタデータ） (2021-03-31T17:44:50Z)
• Approximations in transmon simulation [0.0]
  我々は、量子制御の文献に現れる進行近似の階層の中で順序付けられた一連のモデルを提示する。 各モデルの妥当性は、IBMQクラウド量子デバイスのための制御プロトコルの設計とベンチマークによって実験的に特徴づけられる。 シミュレーション制御力学の評価により、数値予測のかなりのばらつきにもかかわらず、局所最適制御プロトコルを発見する複雑さは、単純な制御スキーム設定では不変であることが分かる。
  論文  参考訳（メタデータ） (2021-02-19T03:41:54Z)
• Asymmetric Heavy Tails and Implicit Bias in Gaussian Noise Injections [73.95786440318369]
  我々は、勾配降下(SGD)のダイナミクスに対する注射ノイズの影響であるGNIsのいわゆる暗黙効果に焦点を当てています。 この効果は勾配更新に非対称な重尾ノイズを誘発することを示す。 そして、GNIが暗黙のバイアスを引き起こすことを正式に証明し、これは尾の重みと非対称性のレベルによって異なる。
  論文  参考訳（メタデータ） (2021-02-13T21:28:09Z)
• Learning based signal detection for MIMO systems with unknown noise statistics [84.02122699723536]
  本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。 実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。 我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
  論文  参考訳（メタデータ） (2021-01-21T04:48:15Z)
• Consistency Regularization for Certified Robustness of Smoothed Classifiers [89.72878906950208]
  最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。 その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
  論文  参考訳（メタデータ） (2020-06-07T06:57:43Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。