論文の概要: Physics-Informed Neural Networks for Gate Design using Quantum Optimal Control

• arxiv url: http://arxiv.org/abs/2511.09463v1
• Date: Thu, 13 Nov 2025 01:56:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.581988
• Title: Physics-Informed Neural Networks for Gate Design using Quantum Optimal Control
• Title（参考訳）: 量子最適制御を用いたゲート設計のための物理インフォームニューラルネットワーク
• Authors: Sofiia Lauten, Matthew Otten,
• Abstract要約: 量子コンピュータに量子ゲートを実装するには、高忠実度演算に注意深く形をしたパルスを適用する必要がある。 量子最適制御における物理インフォームドニューラルネットワーク(PINN)の利用について検討する。 我々は2つの異なるPINNを構築し、1つはシュルディンガー方程式に基づいており、もう1つはリンドブラッド方程式に基づいている。
• 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: Implementing quantum gates on quantum computers can require the application of carefully shaped pulses for high-fidelity operations. We explore the use of physics-informed neural networks (PINNs) for quantum optimal control to assess their usefulness in predicting such pulses. Our PINN is a feedforward neural network that utilizes an unsupervised learning approach, whose loss function includes terms that enforce the equations that govern the evolution of a quantum system, measure how close the learned unitary is to the target unitary operation, and ensure state normalization. We use a sinusoidal activation function and adopt variance-type weight initialization, tailored to our activation function. By analyzing the model's performance with important machine learning metrics, we demonstrate that the choice of our architecture is well-suited for this type of problem. We ensure that our network avoids the vanishing and exploding gradients with our relevant choices. We build two different PINNs, one based on the Schrödinger equation and another one based on the Lindblad equation. Our PINNs are able to discover high-fidelity two-qubit gate pulses for a variety of quantum operations, demonstrating its flexibility and robustness. We build two different PINNs, one based on the Schrödinger equation and another one based on the Lindblad equation. Our PINNs are able to discover high-fidelity two-qubit gate pulses for a variety of quantum operations, demonstrating its flexibility and robustness.
• Abstract（参考訳）: 量子コンピュータに量子ゲートを実装するには、高忠実度演算に注意深く形をしたパルスを適用する必要がある。 物理インフォームドニューラルネットワーク(PINN)を量子最適制御に利用して、そのようなパルスを予測する上での有用性を評価する。 我々のPINNは、教師なし学習アプローチを利用したフィードフォワードニューラルネットワークであり、損失関数には、量子システムの進化を支配する方程式を強制する項が含まれ、学習されたユニタリがターゲットのユニタリ操作にどの程度近いかを測定し、状態正規化を保証する。 我々は正弦波の活性化関数を用いて,その活性化関数に合わせて分散型重み初期化を採用する。 モデルの性能を重要な機械学習メトリクスで分析することにより、この種の問題に対してアーキテクチャの選択が適していることを示す。 当社のネットワークは、当社の関連する選択による、消滅と爆発の勾配を確実に回避します。 我々は2つの異なるPINNを構築し、1つはシュレーディンガー方程式に基づいており、もう1つはリンドブラッド方程式に基づいている。 我々のPINNは、様々な量子演算のための高忠実な2量子ゲートパルスを発見でき、その柔軟性と堅牢性を示している。 我々は2つの異なるPINNを構築し、1つはシュレーディンガー方程式に基づいており、もう1つはリンドブラッド方程式に基づいている。 我々のPINNは、様々な量子演算のための高忠実な2量子ゲートパルスを発見でき、その柔軟性と堅牢性を示している。

関連論文リスト

• Quantum Noise Tomography with Physics-Informed Neural Networks [0.15229257192293197]
  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。
  論文  参考訳（メタデータ） (2025-09-15T13:30:50Z)
• 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)
• 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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Training-efficient density quantum machine learning [2.918930150557355]
  我々は、トレーニング可能なユニタリの混合を準備するモデルファミリーである密度量子ニューラルネットワークを導入する。 このフレームワークは、特に量子ハードウェア上で、表現性と効率的なトレーサビリティのバランスをとる。
  論文  参考訳（メタデータ） (2024-05-30T16:40:28Z)
• Quantum HyperNetworks: Training Binary Neural Networks in Quantum Superposition [13.931463943383413]
  量子コンピュータ上でバイナリニューラルネットワークをトレーニングするメカニズムとして量子ハイパーネットを導入する。 提案手法は, 最適パラメータ, ハイパーパラメータ, アーキテクチャ選択を, 分類問題に対する高い確率で効果的に発見できることを示す。 私たちの統合されたアプローチは、機械学習の分野における他のアプリケーションにとって大きなスコープを提供します。
  論文  参考訳（メタデータ） (2023-01-19T20:06:48Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Quantum neural networks [0.0]
  この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。 本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
  論文  参考訳（メタデータ） (2022-05-17T07:47:00Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。