論文の概要: Large-scale Lindblad learning from time-series data

• arxiv url: http://arxiv.org/abs/2512.08165v1
• Date: Tue, 09 Dec 2025 01:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.781045
• Title: Large-scale Lindblad learning from time-series data
• Title（参考訳）: 時系列データを用いた大規模リンドブラッド学習
• Authors: Ewout van den Berg, Brad Mitchell, Ken Xuan Wei, Moein Malekakhlagh,
• Abstract要約: 本研究では,時間に依存しないLindbladモデルを量子コンピュータに繰り返し適用可能なプロトコルを開発した。 我々は、156量子ビット超伝導量子プロセッサ上の全ゲート層に対するリンドブラディアンの学習によるアプローチを実証する。
• 参考スコア（独自算出の注目度）: 0.1749935196721634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we develop a protocol for learning a time-independent Lindblad model for operations that can be applied repeatedly on a quantum computer. The protocol is highly scalable for models with local interactions and is in principle insensitive to state-preparation errors. At its core, the protocol forms a linear system of equations for the model parameters in terms of a set of observable values and their gradients. The required gradient information is obtained by fitting time-series data with sums of exponentially damped sinusoids and differentiating those curves. We develop a robust curve-fitting procedure that finds the most parsimonious representation of the data up to shot noise. We demonstrate the approach by learning the Lindbladian for a full layer of gates on a 156-qubit superconducting quantum processor, providing the first learning experiment of this kind. We study the effects of state-preparation and measurement errors and limitations on the operations that can be learned. For improved performance under readout errors, we propose an optional fine-tuning strategy that improves the fit between the time-evolved model and the measured data.
• Abstract（参考訳）: 本研究では,時間に依存しないLindbladモデルを量子コンピュータに繰り返し適用可能なプロトコルを開発する。 このプロトコルは局所的な相互作用を持つモデルに対して非常にスケーラブルであり、原則として状態準備エラーに敏感である。 その中核として、このプロトコルは観測可能な値の集合とその勾配の観点からモデルパラメータの線形系を形成する。 必要な勾配情報は、指数的に減衰した正弦波の和で時系列データをフィッティングし、それらの曲線を微分することによって得られる。 我々は、最も類似したデータ表現をショットノイズまで見つけ出す頑健な曲線整合法を開発した。 我々は、156量子ビット超伝導量子プロセッサ上のゲートの完全な層についてリンドブラディアンを学習し、この種の最初の学習実験を行った。 状態準備と測定誤差および制限が学習可能な操作に与える影響について検討する。 読み出し誤差下での性能向上のために、時間進化モデルと測定データとの適合性を改善するためのオプションの微調整戦略を提案する。

関連論文リスト

• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Robust Lindbladian Estimation for Quantum Dynamics [0.0]
  量子プロセストモグラフィーの出力にリンドブラディアンモデルを適用するという問題を再考する。 対数探索のアルゴリズム的改良を導入し、現在の量子コンピューティングハードウェアに関連する設定に実際に適用できることを実証する。 また,ゲートセットトモグラフィーの手法でリンドブラディアンフィッティングのタスクを増強し,状態調整や測定誤差に対する堅牢性を向上させる。
  論文  参考訳（メタデータ） (2025-07-10T16:45:37Z)
• Episodic Gaussian Process-Based Learning Control with Vanishing Tracking Errors [10.627020714408445]
  本稿では,任意の追跡精度を保証するために,GPモデル学習のためのエピソード手法を開発する。 導出理論の有効性はいくつかのシミュレーションで示されている。
  論文  参考訳（メタデータ） (2023-07-10T08:43:28Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Transfer learning of phase transitions in percolation and directed percolation [2.0342076109301583]
  本研究では,非平衡・平衡相転移モデルの研究のために,転送学習に基づくドメイン対向ニューラルネットワーク(DANN)を適用した。 両モデルのDANN学習はモンテカルロシミュレーションに匹敵する信頼性の高い結果をもたらす。
  論文  参考訳（メタデータ） (2021-12-31T15:24:09Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Computer Model Calibration with Time Series Data using Deep Learning and Quantile Regression [1.6758573326215689]
  既存の標準校正フレームワークは、モデル出力と観測データが高次元依存データである場合、推論の問題に悩まされる。 モデル出力と入力パラメータの逆関係を直接エミュレートする長期記憶層を持つディープニューラルネットワーク(DNN)に基づく新しいキャリブレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-29T22:18:41Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。