論文の概要: The pros and cons of using deep reinforcement learning or genetic algorithms to design control schemes for quantum state transfer on qubit chains

• arxiv url: http://arxiv.org/abs/2601.06303v1
• Date: Fri, 09 Jan 2026 20:43:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.739665
• Title: The pros and cons of using deep reinforcement learning or genetic algorithms to design control schemes for quantum state transfer on qubit chains
• Title（参考訳）: 量子ビット鎖上の量子状態伝達のための制御スキーム設計のための深層強化学習法や遺伝的アルゴリズムの利点と欠点
• Authors: Sofía Perón Santana, Ariel Fiuri, Martín Domínguez, Omar Osenda,
• Abstract要約: 外部制御を用いた量子ビットチェーンにおける量子状態の伝達を制御するための2つの方法を提案する。 第1のアプローチは、よく知られた遺伝的アルゴリズムを使用して外部制御のシーケンスを生成し、第2のアプローチは強化学習の変種を使用する。 遺伝的アルゴリズムは、強化学習と同程度の短い伝送時間で優れた伝送忠実性を達成し、後者の手法により達成された忠実性を上回る。
• 参考スコア（独自算出の注目度）: 0.13999481573773073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, control methods based on different optimization techniques have shed light on the possibilities of processing information in many quantum systems. When exploring the transmission of quantum states, faster transmission times are mandatory to avoid the deleterious effects of multiple sources of decoherence that spoil the transmission process. In particular, using Reinforcement Learning to devise sequences of step-wise external controls provides good transfer policies at short transmission times. We present two approaches to control the transmission of quantum states in qubit chains using external controls to force the dynamical evolution of the chain state. The first approach relies on the well-known Genetic Algorithm to generate a sequence of external controls, while the second approach uses a variant of Reinforcement Learning. The Genetic algorithm achieves excellent transmission fidelity at as short transmission times as Reinforcement Learning, surpassing the fidelities achieved by the latter method. Nevertheless, the Reinforcement Learning method offers robust control policies when the control pulses are noisy enough, owing to an imperfect timing of the pulses, deficient control devices, or other sources of phase decoherence. We present the regime where each method is best suited to control the transmission of arbitrary qubit states.
• Abstract（参考訳）: 近年,様々な最適化手法に基づく制御手法が,多くの量子システムにおける情報処理の可能性に光を当てている。 量子状態の伝送を探索する場合、より高速な伝送時間は、伝送過程を損なう複数のデコヒーレンス源の有害な影響を避けるために必須である。 特に、ステップワイドな外部制御のシーケンスを考案するために強化学習を用いることは、短い伝送時間で優れた転送ポリシーを提供する。 本稿では, 外部制御を用いて量子状態の伝達を制御し, 連鎖状態の動的進化を強制する2つの方法を提案する。 第1のアプローチは、よく知られた遺伝的アルゴリズムを使用して外部制御のシーケンスを生成し、第2のアプローチは強化学習の変種を使用する。 遺伝的アルゴリズムは、強化学習と同程度の短い伝送時間で優れた伝送忠実性を達成し、後者の手法により達成された忠実性を上回る。 それにもかかわらず、強化学習法は、パルス、欠陥制御装置、その他の位相デコヒーレンス源の不完全なタイミングのため、制御パルスが十分にうるさいときに頑健な制御ポリシーを提供する。 本稿では,各手法が任意の量子ビット状態の伝送を制御するのに最適である状況を示す。

関連論文リスト

• Optimización de la Transmisión de Estados Cuánticos en Cadenas de Qubits usando Deep Reinforcement Learning y Algoritmos Genéticos [0.13999481573773073]
  均一スピン鎖による量子状態伝達は、スケーラブルな量子ハードウェアを構築する上で重要な役割を果たす。 基本量子状態伝送プロトコルは、1量子ビットの状態を準備し、チャネルを介して別の状態に転送し、時間を最小限に抑え、情報損失を回避する。 我々は、この最適化問題に対して、一定の磁気パルスと、深い強化学習と遺伝的アルゴリズムの2つの相補的な戦略を用いてアプローチする。
  論文  参考訳（メタデータ） (2025-10-06T16:52:21Z)
• Reinforcement learning pulses for transmon qubit entangling gates [0.0]
  連続制御強化学習アルゴリズムを用いて、超伝導量子ビットの絡み合う2ビットゲートを設計する。 標準共振ゲートよりも優れた新しいパルス列を生成する能力を示す。
  論文  参考訳（メタデータ） (2023-11-07T03:19:19Z)
• A quantum system control method based on enhanced reinforcement learning [2.70857393901228]
  強化強化学習(QSC-ERL)に基づく量子システム制御法を提案する。 強化学習における状態と行動は、量子系の量子状態と制御操作にマッピングされる。 他の方法と比較して、QSC-ERLは量子システムの1倍近い忠実度学習制御を達成する。
  論文  参考訳（メタデータ） (2023-09-30T03:22:44Z)
• Suppressing Amplitude Damping in Trapped Ions: Discrete Weak Measurements for a Non-unitary Probabilistic Noise Filter [62.997667081978825]
  この劣化を逆転させるために、低オーバーヘッドプロトコルを導入します。 振幅減衰雑音に対する非単位確率フィルタの実装のための2つのトラップイオンスキームを提案する。 このフィルタは、単一コピー準蒸留のためのプロトコルとして理解することができる。
  論文  参考訳（メタデータ） (2022-09-06T18:18:41Z)
• Optimal quantum control via genetic algorithms for quantum state engineering in driven-resonator mediated networks [68.8204255655161]
  進化的アルゴリズムに基づく量子状態工学には、機械学習によるアプローチを採用しています。 我々は、単一のモード駆動マイクロ波共振器を介して相互作用する、量子ビットのネットワーク(直接結合のない人工原子の状態に符号化された)を考える。 アルゴリズムは理想的なノイズフリー設定で訓練されているにもかかわらず、高い量子忠実度とノイズに対するレジリエンスを観測する。
  論文  参考訳（メタデータ） (2022-06-29T14:34:00Z)
• Counterdiabatic Optimised Local Driving [0.0]
  断熱プロトコルは様々な量子技術で使われている。 これらのプロセスをスピードアップする問題は、大きな関心を集めている。 最適制御は制御フィールドを操作し、ダイナミクスを操る。 adiabaticity (countable かつ uncountable, 複数形 adiabaticitys)
  論文  参考訳（メタデータ） (2022-03-03T19:00:00Z)
• Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
  完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。 深層強化学習(DRL)に基づくフレームワークを開発した。 DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
  論文  参考訳（メタデータ） (2021-09-26T11:27:12Z)
• Reinforcement learning-enhanced protocols for coherent population-transfer in three-level quantum systems [50.591267188664666]
  我々は、人口移動のための最適なプロトコルを特定するために、強化学習に基づくアプローチとより伝統的な最適化手法を組み合わせて展開する。 提案手法は,効率的なプロトコルの存在を明らかにするための制御プロトコルの空間を探索することができる。 私たちが特定する新しいプロトコルは、エネルギー損失と軽視の両方に対して堅牢です。
  論文  参考訳（メタデータ） (2021-09-02T14:17:30Z)
• Enforcing robust control guarantees within neural network policies [76.00287474159973]
  本稿では、ニューラルネットワークによってパラメータ化され、ロバスト制御と同じ証明可能なロバスト性基準を適用した、一般的な非線形制御ポリシークラスを提案する。 提案手法は,複数の領域において有効であり,既存のロバスト制御法よりも平均ケース性能が向上し,(非ロバスト)深部RL法よりも最悪のケース安定性が向上した。
  論文  参考訳（メタデータ） (2020-11-16T17:14:59Z)
• Controlled quantum state transfer in $XX$ spin chains at the Quantum Speed Limit [62.997667081978825]
  等質鎖では、鎖の1つの極端からもう1つの極端への情報を取り込むには、O(N/2)$を要し、N$は鎖長である。 我々は、N/2$以上の順序で、チェーンの極端間のほぼ完全な人口移動を実現する制御パルスを設計する。
  論文  参考訳（メタデータ） (2020-05-15T23:10:19Z)

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。