論文の概要: Learning to steer quantum many-body dynamics with tree optimization
- arxiv url: http://arxiv.org/abs/2510.07802v1
- Date: Thu, 09 Oct 2025 05:30:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-10 17:54:14.882994
- Title: Learning to steer quantum many-body dynamics with tree optimization
- Title（参考訳）: 木最適化による量子多体ダイナミクスの学習
- Authors: Jixing Zhang, Bo Peng, Yang Wang, Cheuk Kit Cheung, Guodong Bian, Andrew M. Edmonds, Matthew Markham, Zhe Zhao, Durga Bhaktavatsala Rao Dasari, Ruoming Peng, Ye Wei, Jörg Wrachtrup,
- Abstract要約: 我々は,多体スピンシステム上での最適量子制御のためのパルスシーケンスの設計を学習するAIフレームワークを提案する。
本フレームワークでは,非直観的構造を示す900以上のハイパフォーマンスシーケンスを同定する。
ダイヤモンドスピンアンサンブルの実験では、最高のAI設計シーケンスが200マイクロ秒を超えるコヒーレンス時間を達成することが示されている。
- 参考スコア（独自算出の注目度）: 7.777344558557047
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-quality control over complex quantum systems is a key to achieving practical quantum technologies. However, progress is hindered by the exponential growth of quantum state spaces and the challenges posed by realistic experimental conditions. Here, we present an AI framework that learns to design pulse sequences for optimized quantum control over many-body spin systems, providing a powerful alternative to theory-driven methods. The framework combines customized tree search, neural network filtering, and numerical simulation guidance to navigate highly nonlinear optimization landscapes, using only desktop-level computational resources and minimal experimental input. The objective function is set to preserve coherence, a key prerequisite for quantum information processing. Our framework identifies over 900 high-performing sequences that exhibit non-intuitive structures and hence challenge long-standing design principles, while established optimization methods struggle to find such solutions. Experiments in a diamond spin ensemble show that the best AI-designed sequences achieve coherence times exceeding 200 microseconds, representing a 100% improvement over state-of-the-art baselines and approaching the temperature-imposed limit. Beyond spin coherence preservation, our framework is readily extendable through modified objective functions and incorporation of appropriate training data. This work highlights AI's potential to steer complex quantum many-body dynamics, marking a paradigm shift toward data-driven sequence design with broad applicability across spin-based quantum technologies and beyond.
- Abstract（参考訳）: 複雑な量子システムに対する高品質な制御は、実用的な量子技術を達成するための鍵となる。
しかし、量子状態空間の指数的な成長と、現実的な実験的条件によって生じる課題によって進行が妨げられている。
本稿では、多体スピンシステム上での最適量子制御のためのパルスシーケンスの設計を学習し、理論駆動方式の強力な代替手段を提供するAIフレームワークを提案する。
このフレームワークは、カスタマイズされたツリー検索、ニューラルネットワークフィルタリング、数値シミュレーションガイダンスを組み合わせて、デスクトップレベルの計算リソースと最小限の実験入力のみを使用して、高度に非線形な最適化ランドスケープをナビゲートする。
目的関数は、量子情報処理の重要な前提条件であるコヒーレンスを保存するために設定される。
本フレームワークでは,非直感的構造を示す900以上のハイパフォーマンスシーケンスを識別し,従来設計の原則に挑戦する一方,確立された最適化手法はそのような解を見つけるのに苦労する。
ダイヤモンドスピンアンサンブルの実験では、最高のAI設計シーケンスは200マイクロ秒を超えるコヒーレンスタイムを達成し、最先端のベースラインよりも100%改善され、温度が想定される限界に近づいたことが示されている。
スピンコヒーレンス保存の他に、我々のフレームワークは、修正された目的関数や適切なトレーニングデータの取り込みによって容易に拡張可能である。
この研究は、複雑な量子多体ダイナミクスを操るAIの可能性を強調し、スピンベース量子技術などに適用可能なデータ駆動シーケンス設計へのパラダイムシフトを示している。
関連論文リスト
- The Quantum Control Hierarchy: When Physics-Informed Design Meets Machine Learning [0.6053648545114841]
我々は、様々なオープンループプロトコルや高度な適応手法を含む、幅広い量子制御戦略に対処する。
絡み合い保存のためには、物理インフォームドなハイブリッド量子エラー補正と動的デカップリングプロトコルが最も安定で効果的な解を提供する。
DD、フロケットエンジニアリング、急激な絡み合い生成やコヒーレントトランスポートといった非自明な制御シーケンスの発見を必要とする動的なタスクに対して、モデルフリーの強化学習エージェントは、常に優れたソリューションを見つけ出す。
論文 参考訳（メタデータ） (2025-09-16T08:56:11Z) - Artificial intelligence for representing and characterizing quantum systems [49.29080693498154]
大規模量子システムの効率的なキャラクタリゼーションは、量子科学における中心的な課題である。
人工知能(AI)の最近の進歩は、この課題に対処するための強力なツールとして現れている。
本稿では、これらのAIパラダイムが量子システム評価における2つのコアタスクにどのように貢献するかを論じる。
論文 参考訳（メタデータ） (2025-09-05T08:41:24Z) - TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - 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) - Reinforcement Learning for Quantum Control under Physical Constraints [2.874893537471256]
物理制約付き強化学習アルゴリズムを考案し,実現可能な解の空間を制限する。
提案手法を3つの量子システム上で評価し,実世界の複雑性を取り入れた。
論文 参考訳（メタデータ） (2025-01-24T10:11:32Z) - Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。
アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。
本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
論文 参考訳（メタデータ） (2024-07-02T18:00:00Z) - Dynamic Inhomogeneous Quantum Resource Scheduling with Reinforcement Learning [17.229068960497273]
量子情報科学と技術における中心的な課題は、量子システムのリアルタイム推定とフィードフォワード制御の実現である。
量子ビット対の自己アテンション機構を強調するトランスフォーマーモデルを用いた新しいフレームワークを提案する。
提案手法は量子システムの性能を著しく改善し,ルールベースエージェントよりも3ドル以上向上する。
論文 参考訳（メタデータ） (2024-05-25T23:39:35Z) - Neural auto-designer for enhanced quantum kernels [59.616404192966016]
本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。
私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
論文 参考訳（メタデータ） (2024-01-20T03:11:59Z) - Invariant-based control of quantum many-body systems across critical points [0.0]
本稿では,多体系の低エネルギー部分空間内での断熱的進化を保証するために,動的不変量に基づく制御手法を提案する。
制御可能なパラメータを解析的制御結果に従って調整することにより,速度限界に近い高忠実度進化を実現する。
注目すべきは、我々のアプローチがKibble-Zurekスケーリングの法則を破り、チューニング可能で時間スケーリングの振る舞いを大幅に改善したことです。
論文 参考訳（メタデータ） (2023-09-11T14:09:37Z) - Quantum Annealing Formulation for Binary Neural Networks [40.99969857118534]
本研究では、リソース制約のあるデバイスを意図した軽量で強力なモデルであるバイナリニューラルネットワークについて検討する。
トレーニング問題に対する2次非制約バイナリ最適化の定式化を考案する。
問題は難解であり、すなわち、二分重みを推定するコストはネットワークサイズと指数関数的にスケールするが、どのようにして問題を量子アニール器に直接最適化できるかを示す。
論文 参考訳（メタデータ） (2021-07-05T03:20:54Z)
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。