論文の概要: Achieving fast and robust perfect entangling gates via reinforcement learning

• arxiv url: http://arxiv.org/abs/2511.07076v1
• Date: Mon, 10 Nov 2025 13:07:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.2612
• Title: Achieving fast and robust perfect entangling gates via reinforcement learning
• Title（参考訳）: 強化学習による高速かつ頑健な完全エンタングリングゲートの実現
• Authors: Leander Grech, Matthias G. Krauss, Mirko Consiglio, Tony J. G. Apollaro, Christiane P. Koch, Simon Hirlaender, Gianluca Valentino,
• Abstract要約: 我々は、PEゲートを生成する近似パルス形状を発見するために強化学習技術を利用する。 RLエージェントのコレクションは、堅牢なシミュレーション環境で訓練され、効果的な制御戦略の特定を可能にする。 RLアプローチはハードウェアに依存しないため、様々な量子コンピューティングプラットフォームで広く適用可能である可能性がある。
• 参考スコア（独自算出の注目度）: 0.08030359871216612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Noisy intermediate-scale quantum computers hold the promise of tackling complex and otherwise intractable computational challenges through the massive parallelism offered by qubits. Central to realizing the potential of quantum computing are perfect entangling (PE) two-qubit gates, which serve as a critical building block for universal quantum computation. In the context of quantum optimal control, shaping electromagnetic pulses to drive quantum gates is crucial for pushing gate performance toward theoretical limits. In this work, we leverage reinforcement learning (RL) techniques to discover near-optimal pulse shapes that yield PE gates. A collection of RL agents is trained within robust simulation environments, enabling the identification of effective control strategies even under noisy conditions. Selected agents are then validated on higher-fidelity simulations, illustrating how RL-based methods can reduce calibration overhead when compared to quantum optimal control techniques. Furthermore, the RL approach is hardware agnostic with the potential for broad applicability across various quantum computing platforms.
• Abstract（参考訳）: ノイズの多い中間スケールの量子コンピュータは、量子ビットによって提供される巨大な並列性を通じて複雑で難解な計算課題に取り組むという約束を持っている。 量子コンピューティングの可能性を実現する中心となるのは、完全エンタングリング(PE)2量子ビットゲートであり、普遍的な量子計算において重要なビルディングブロックとして機能する。 量子最適制御の文脈では、量子ゲートを駆動する電磁パルスを形成することは、理論上の限界に向けてゲート性能を推し進めるために重要である。 本研究では, PEゲートを発生する近似パルス形状を発見するために, 強化学習(RL)技術を活用する。 RLエージェントのコレクションはロバストなシミュレーション環境で訓練され、ノイズ条件下であっても効果的な制御戦略を識別できる。 選択されたエージェントは高忠実度シミュレーションで検証され、量子最適制御技術と比較して、RLベースの手法がキャリブレーションオーバーヘッドを低減する方法が示される。 さらに、RLアプローチはハードウェアに依存しないため、様々な量子コンピューティングプラットフォームに広く適用できる可能性がある。

関連論文リスト

• Reinforcement Learning for Quantum Network Control with Application-Driven Objectives [53.03367590211247]
  動的プログラミングと強化学習は、制御戦略を最適化するための有望なツールを提供する。 非線形で微分可能な目的関数を直接最適化する新しいRLフレームワークを提案する。 我々の研究は、RLを持つ量子ネットワークにおける非線形目的関数最適化への第一歩であり、より高度なユースケースへの道を開く。
  論文  参考訳（メタデータ） (2025-09-12T18:41:10Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• 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)
• Reinforcement learning with learned gadgets to tackle hard quantum problems on real hardware [0.0]
  本稿では,強化学習とプログラム合成を統合したガジェット強化学習(GRL)を導入し,複合ゲート(ガジェット)を動作空間に自動生成・組み込む。 これは、NPハード問題である量子ハミルトニアンの基底状態の近似のような複雑なタスクに対するパラメタライズド量子回路(PQC)の探索を強化する。 GRLは、制約された計算資源であっても、問題のサイズと複雑さが増加するにつれて、堅牢な性能を示す。
  論文  参考訳（メタデータ） (2024-10-31T22:02:32Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Meta-learning assisted robust control of universal quantum gates with uncertainties [4.881040823544883]
  デコヒーレンスと制御パルスの不完全性は、実用的なシステムにおける量子ゲートの理論的忠実性を実現する上で重要な課題となる。 本稿では,2層学習フレームワークを活用したメタ強化学習量子制御アルゴリズム(metaQctrl)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T13:04:30Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Direct pulse-level compilation of arbitrary quantum logic gates on superconducting qutrits [36.30869856057226]
  任意のqubitおよびqutritゲートを高忠実度で実現でき、ゲート列の長さを大幅に削減できることを示す。 最適制御ゲートは少なくとも3時間ドリフトでき、同じ校正パラメータを全ての実装ゲートに利用できることを示す。
  論文  参考訳（メタデータ） (2023-03-07T22:15:43Z)
• Self-Correcting Quantum Many-Body Control using Reinforcement Learning with Tensor Networks [0.0]
  本稿では、強化学習(RL)に基づく量子多体系を効率的に制御するための新しい枠組みを提案する。 我々は、RLエージェントが普遍的な制御を見出すことができ、多くの身体状態を最適に制御する方法を学ぶことができ、量子力学が摂動を受けるとき、制御プロトコルをオンザフライで適用できることを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:14:09Z)
• Experimentally Realizing Efficient Quantum Control with Reinforcement Learning [2.733342606024131]
  我々は,171mathrmYb+$イオンを捕捉した深部強化学習(DRL)に基づく量子制御の代替手法を実験的に実証した。 特に、DRLはショートカットからアディバティティティ(STA)に束縛された実行時間を持つ高速で堅牢なデジタル量子演算に繋がることがわかった。 我々の実験は、デジタル量子制御の一般的な枠組みを明らかにし、量子情報処理の有望な向上につながった。
  論文  参考訳（メタデータ） (2021-01-22T09:34:58Z)

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。