論文の概要: Machine-Learning-Assisted Pulse Design for State Preparation in a Noisy Environment
- arxiv url: http://arxiv.org/abs/2508.20377v1
- Date: Thu, 28 Aug 2025 02:53:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 18:12:01.922344
- Title: Machine-Learning-Assisted Pulse Design for State Preparation in a Noisy Environment
- Title（参考訳）: 機械学習支援による雑音環境における状態生成のためのパルス設計
- Authors: Zhao-Wei Wang, Hong-Yang Ma, Yun-An Yan, Lian-Ao Wu, Zhao-Ming Wang,
- Abstract要約: 制御手法の設計に環境要因を取り入れた量子制御手法を提案する。
我々は、Deep Reinforcement Learning (DRL) と Supervised Learning (SL) の2つのアルゴリズムを用いて、ノイズを緩和する特定の制御パルスを設計する。
- 参考スコア（独自算出の注目度）: 1.3193563062376317
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-precision quantum control is essential for quantum computing and quantum information processing. However, its practical implementation is challenged by environmental noise, which affects the stability and accuracy of quantum systems. In this paper, using machine learning techniques we propose a quantum control approach that incorporates environmental factors into the design of control schemes, improving the control fidelity in noisy environments. Specifically, we investigate arbitrary quantum state preparation in a two-level system coupled to a bosonic bath. We use both Deep Reinforcement Learning (DRL) and Supervised Learning (SL) algorithms to design specific control pulses that mitigate the noise. These two neural network (NN) based algorithm both have the advantage that the well trained NN can output the optimal pulse sequence for any environmental parameters. Comparing the performance of these two algorithms, our results show that DRL is more effective in low-noise environments due to its strong optimization capabilities, while SL provides greater stability and performs better in high-noise conditions. These findings highlight the potential of machine learning techniques to enhance the quantum control fidelity in practical applications.
- Abstract（参考訳）: 量子コンピューティングや量子情報処理には、高精度な量子制御が不可欠である。
しかし、その実践的な実装は、量子システムの安定性と精度に影響を与える環境ノイズによって挑戦されている。
本稿では、機械学習技術を用いて、環境要因を制御手法の設計に組み込んだ量子制御手法を提案し、ノイズの多い環境における制御忠実度を改善する。
具体的には、ボゾン浴に結合した2レベル系の任意の量子状態準備について検討する。
我々は、Deep Reinforcement Learning (DRL) と Supervised Learning (SL) の2つのアルゴリズムを用いて、ノイズを緩和する特定の制御パルスを設計する。
これら2つのニューラルネットワーク(NN)ベースのアルゴリズムは、よく訓練されたNNが任意の環境パラメータに対して最適なパルスシーケンスを出力できるという利点を持つ。
この2つのアルゴリズムの性能を比較すると,DRLは高い最適化能力により低雑音環境においてより有効であるのに対し,SLはより安定性が高く,高雑音環境下では良好であることがわかった。
これらの知見は、実用的な応用における量子制御の忠実性を高める機械学習技術の可能性を浮き彫りにしている。
関連論文リスト
- Inverse Physics-informed neural networks procedure for detecting noise in open quantum systems [0.0]
我々は、逆物理インフォームドニューラルネットワーク(PINNverse)フレームワークをリンドブラッドマスター方程式が支配するオープン量子システムに拡張する。
2ビットオープンシステムの数値シミュレーションにより,提案手法の有効性とロバスト性を示す。
この結果から、PINNverseは量子システム識別のためのスケーラブルで耐雑音性のあるフレームワークであり、量子制御やエラー軽減に応用できる可能性が示唆された。
論文 参考訳（メタデータ） (2025-07-16T18:03:48Z) - Quantum Engineering of Qudits with Interpretable Machine Learning [0.0]
任意の次元のキューディットの制御と雑音評価のための機械学習ベースのグレーボックスフレームワークを提案する。
また、ノイズダイナミクスの解釈可能なモデリングを可能にする局所的な解析拡張も導入する。
論文 参考訳（メタデータ） (2025-06-16T03:46:23Z) - Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。
本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-24T02:51:34Z) - Traversing Quantum Control Robustness Landscapes: A New Paradigm for Quantum Gate Engineering [0.0]
本稿では,制御パラメータを雑音感受性にマッピングする概念的フレームワークであるQuantum Control Robustness Landscape (QCRL)を紹介する。
QCRLのレベルセットをナビゲートすることで、ロバストネス不変パルス変動(RIPV)アルゴリズムは、ロバスト性を維持しながら制御パルスの変動を可能にする。
数値シミュレーションにより、我々の単一および2量子ビットゲートは、大きなノイズがあっても量子誤差補正しきい値を超えていることが示される。
論文 参考訳（メタデータ） (2024-12-27T05:56:38Z) - Optimal Quantum Purity Amplification [2.05170973574812]
一般量子システムと大域雑音に対する最適QPAプロトコルを提案する。
一般化された量子位相推定に基づくプロトコルの効率的な実装を提供する。
数値シミュレーションはハミルトン進化の量子シミュレーションに適用したプロトコルの有効性を実証する。
論文 参考訳（メタデータ） (2024-09-26T17:46:00Z) - Quantum noise modeling through Reinforcement Learning [38.47830254923108]
本稿では,量子チップに影響を及ぼすノイズを特徴付ける機械学習手法を導入し,シミュレーション中にエミュレートする。
我々のアルゴリズムは強化学習を活用し、様々なノイズモデルを再現する際の柔軟性を向上させる。
実超伝導量子ビット上でのシミュレーションおよび試験によりRLエージェントの有効性が検証された。
論文 参考訳（メタデータ） (2024-08-02T18:05:21Z) - Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳（メタデータ） (2024-04-17T11:00:12Z) - 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) - 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) - Variational Quantum Pulse Learning [28.040754288931897]
本稿では,学習タスクに量子パルスを直接学習するための新しいパラダイムである変分量子パルス(VQP)を提案する。
VQPは、最適化フレームワークにおいて、パルスの振幅を引いて押すことで変動量子パルスを操作する。
我々は,NISQ(ノイズ中間量子)コンピュータにおけるノイズに対する頑健性を維持している。
論文 参考訳（メタデータ） (2022-03-31T17:58:13Z) - Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。
これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。
シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
論文 参考訳（メタデータ） (2021-05-20T17:06:52Z)
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。