論文の概要: Fast surrogate modelling of EIT in atomic quantum systems using LSTM neural networks

• arxiv url: http://arxiv.org/abs/2510.02603v1
• Date: Thu, 02 Oct 2025 22:30:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.197603
• Title: Fast surrogate modelling of EIT in atomic quantum systems using LSTM neural networks
• Title（参考訳）: LSTMニューラルネットワークを用いた原子量子系におけるEITの高速サロゲートモデリング
• Authors: Isabel S. Burdon Hita, Óscar Iglesias-González, Gabriel M. Carral, Miguel Ferreira-Cao,
• Abstract要約: 我々は,光量子シミュレーションの出力を高精度に再現し,計算コストを大幅に削減できるLong Short-Term Memory Neural Networkを開発した。 我々は,この手法をドップラーブロード化電磁誘導透明性に適用し,ライドバーグ型センシングのためのはしご型スキームに適用することに集中する。 この代表的光量子システムにおけるLSTMモデルの有効性を実証し、リアルタイム信号処理とフィードバックに基づく最適化をサポートするサロゲートツールとして確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulations of optical quantum systems are essential for the development of quantum technologies. However, these simulations are often computationally intensive, especially when repeated evaluations are required for data fitting, parameter estimation, or real-time feedback. To address this challenge, we develop a Long Short-Term Memory neural network capable of replicating the output of these simulations with high accuracy and significantly reduced computational cost. Once trained, the surrogate model produces spectra in milliseconds, providing a speed-up of 5000x relative to traditional numerical solvers. We focus on applying this technique to Doppler-broadened Electromagnetically Induced Transparency in a ladder-type scheme for Rydberg-based sensing, achieving near-unity agreement with the physics solver for resonant and off-resonant regimes. We demonstrate the effectiveness of the LSTM model on this representative optical quantum system, establishing it as a surrogate tool capable of supporting real-time signal processing and feedback-based optimisation.
• Abstract（参考訳）: 光量子システムのシミュレーションは、量子技術の発展に不可欠である。 しかし、これらのシミュレーションは、特にデータフィッティング、パラメータ推定、リアルタイムフィードバックに繰り返し評価が必要な場合、しばしば計算集約的である。 この課題に対処するため,これらのシミュレーションの出力を高精度に再現し,計算コストを大幅に削減できるLong Short-Term Memory Neural Networkを開発した。 訓練後、サロゲートモデルはミリ秒でスペクトルを生成し、従来の数値解法と比較して5000倍のスピードアップを提供する。 我々は,この手法をドップラーブロード化電磁誘導透過性に適用し,ライドバーグ型センシングのはしご型スキームに適用し,共振系および非共振系における物理解法とのほぼ均一性を実現することに着目する。 この代表的光量子システムにおけるLSTMモデルの有効性を実証し、リアルタイム信号処理とフィードバックに基づく最適化をサポートするサロゲートツールとして確立する。

関連論文リスト

• Quantum-Optimized Selective State Space Model for Efficient Time Series Prediction [39.146761527401424]
  本稿では、状態空間のダイナミクスと変分量子ゲートを統合するハイブリッド量子最適化手法を提案する。 我々は、広く使われている3つのベンチマーク(ETT、トラフィック、為替レート)で、Q-SSMを実証的に検証する。 その結果,Q-SSMは強いベースラインよりも一貫して改善されていることがわかった。
  論文  参考訳（メタデータ） (2025-08-29T22:00:48Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Accelerating Parameter Initialization in Quantum Chemical Simulations via LSTM-FC-VQE [5.396660696277483]
  我々はLong Short-Term Memory Neural Networkを用いて量子化学シミュレーションを高速化する。 LSTMを小さな分子から最適化されたパラメータで訓練することにより、モデルはより大きなシステムに対する高品質な初期化を予測することを学ぶ。
  論文  参考訳（メタデータ） (2025-05-16T04:19:00Z)
• Federated Quantum-Train Long Short-Term Memory for Gravitational Wave Signal [3.360429911727189]
  本稿では,QT(Quantum-Train)方法論とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しいフレームワークであるFederated QT-LSTMについて述べる。 トレーニング中に量子ニューラルネットワーク(QNN)を利用して古典的なLSTMモデルパラメータを生成することで、このフレームワークはモデル圧縮、スケーラビリティ、計算効率の課題を効果的に解決する。
  論文  参考訳（メタデータ） (2025-03-20T11:34:13Z)
• Implementation Guidelines and Innovations in Quantum LSTM Networks [2.938337278931738]
  本稿では,従来のLSTMネットワークに量子コンピューティングの原理を統合する量子LSTMモデルの理論的解析と実装計画を提案する。 シーケンシャルなデータ処理を強化するための実際のアーキテクチャとその実践的効果は、今後の研究で開発され、実証される。
  論文  参考訳（メタデータ） (2024-06-13T10:26:14Z)
• Simulating the Mott transition on a noisy digital quantum computer via Cartan-based fast-forwarding circuits [62.73367618671969]
  動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。 不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。 この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
  論文  参考訳（メタデータ） (2021-12-10T17:32:15Z)
• 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)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)
• Quantum Long Short-Term Memory [3.675884635364471]
  LSTM(Long Short-term memory)は、シーケンスおよび時間依存性データモデリングのためのリカレントニューラルネットワーク(RNN)である。 本稿では,QLSTMを疑似化したLSTMのハイブリッド量子古典モデルを提案する。 我々の研究は、ノイズの多い中間スケール量子(NISQ)デバイス上でのシーケンスモデリングのための機械学習アルゴリズムの実装への道を開いた。
  論文  参考訳（メタデータ） (2020-09-03T16:41:09Z)

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。