論文の概要: Quantum Noise Tomography with Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2509.11911v1
• Date: Mon, 15 Sep 2025 13:30:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.307246
• Title: Quantum Noise Tomography with Physics-Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークを用いた量子ノイズトモグラフィ
• Authors: Antonin Sulc,
• Abstract要約: 物理インフォームドニューラルネットワークを用いたリンドブラッド断層撮影のための新しいフレームワークを提案する。 本手法は,支配主方程式を学習することにより,雑音量子系の完全微分可能なディジタル双対を生成する。
• 参考スコア（独自算出の注目度）: 0.15229257192293197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Characterizing the environmental interactions of quantum systems is a critical bottleneck in the development of robust quantum technologies. Traditional tomographic methods are often data-intensive and struggle with scalability. In this work, we introduce a novel framework for performing Lindblad tomography using Physics-Informed Neural Networks (PINNs). By embedding the Lindblad master equation directly into the neural network's loss function, our approach simultaneously learns the quantum state's evolution and infers the underlying dissipation parameters from sparse, time-series measurement data. Our results show that PINNs can reconstruct both the system dynamics and the functional form of unknown noise parameters, presenting a sample-efficient and scalable solution for quantum device characterization. Ultimately, our method produces a fully-differentiable digital twin of a noisy quantum system by learning its governing master equation.
• Abstract（参考訳）: 量子システムの環境相互作用を特徴づけることは、堅牢な量子技術の発展における重要なボトルネックである。 従来のトモグラフィ手法はデータ集約的であり、スケーラビリティに苦慮することが多い。 本研究では,Physical-Informed Neural Networks (PINN) を用いたリンドブラッド断層撮影のための新しいフレームワークを提案する。 ニューラルネットワークの損失関数に直接リンドブラッドマスター方程式を埋め込むことで、我々のアプローチは同時に量子状態の進化を学習し、その基礎となる散逸パラメータをスパースな時系列測定データから推測する。 この結果から,PINNは未知の雑音パラメータの力学と機能的形状の両方を再構成し,量子デバイスの特性評価のためのサンプル効率と拡張性のある解を提示できることがわかった。 最終的に、本手法は、支配マスター方程式を学習することにより、ノイズの多い量子系の完全微分可能なディジタル双対を生成する。

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)
• Hamiltonian Learning via Inverse Physics-Informed Neural Networks [8.704794234217838]
  Hamiltonian Learning (HL)は、システムパラメータと基礎となるダイナミクスの正確な推定を可能にする。 機械学習手法に直接シュリンガー方程式を組み込むアプローチとして,ハミルトニアン学習のためのテキスト逆物理情報ニューラルネットワーク(iPINN-HL)を提案する。 我々は,iPINN-HLをディープ・ニューラル・ネットワークベースの量子状態トモグラフィー法(DNN-HL)と比較し,その有効性を実証した。
  論文  参考訳（メタデータ） (2025-06-12T06:09:41Z)
• Characterizing Non-Markovian Dynamics of Open Quantum Systems [0.0]
  我々はTCLマスター方程式を用いて非マルコフ進化を特徴付ける構造保存手法を開発した。 本稿では,ローレンス・リバモア国立研究所のQuantum Device Integration Testbed (QuDIT) における超伝導量子ビットの実験データを用いた手法について述べる。 これらの知見は、短期量子プロセッサにおける量子制御とエラー軽減に寄与する、オープン量子システムの効率的なモデリング戦略に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-03-28T04:43:24Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Exploring quantum localization with machine learning [39.58317527488534]
  本稿では、その局所化の観点から、波動関数を分類するための効率的なニューラルネットワーク(NN)アーキテクチャを提案する。 提案手法は, 量子位相空間のパラメトリゼーションにより, 改良畳み込みモデルのパターン認識機能と, 独自の「量子」NNへと導かれる。
  論文  参考訳（メタデータ） (2024-06-01T08:50:26Z)
• Quantum time dynamics mediated by the Yang-Baxter equation and artificial neural networks [3.9079297720687536]
  本研究では,ニューラルネットワーク(ANN)とYang-Baxter方程式(YBE)を用いた量子エラーの緩和手法について検討する。 ノイズ低減のためのANNとYBEを組み合わせてノイズデータを生成する新しい手法を開発した。 このアプローチは量子シミュレーションにおけるノイズを効果的に低減し、結果の精度を高める。
  論文  参考訳（メタデータ） (2024-01-30T15:50:06Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)

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。