論文の概要: Bayesian quantum sensing using graybox machine learning

• arxiv url: http://arxiv.org/abs/2601.17465v1
• Date: Sat, 24 Jan 2026 13:41:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.798153
• Title: Bayesian quantum sensing using graybox machine learning
• Title（参考訳）: グレーボックス機械学習を用いたベイズ量子センシング
• Authors: Akram Youssry, Stefan Todd, Patrick Murton, Muhammad Junaid Arshad, Alberto Peruzzo, Cristian Bonato,
• Abstract要約: 量子センサーは、空間分解能と感度において古典的なデバイスに対して大きな利点をもたらし、材料科学、医療、その他の分野での変革的応用を可能にしている。 それらの実用性能は、ノイズ、不完全な状態の準備、非理想的な制御フィールドなどの非モデル化効果によって制約されることが多い。 固体オープン量子システムのためのグレイボックスモデリング戦略の最初の実験的実装について報告する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum sensors offer significant advantages over classical devices in spatial resolution and sensitivity, enabling transformative applications across materials science, healthcare, and beyond. Their practical performance, however, is often constrained by unmodelled effects, including noise, imperfect state preparation, and non-ideal control fields. In this work, we report the first experimental implementation of a graybox modelling strategy for a solid-state open quantum system. The graybox framework integrates a physics-based system model with a data-driven description of experimental imperfections, achieving higher fidelity than purely analytical (whitebox) approaches while requiring fewer training resources than fully deep-learning models. We experimentally validate the method on the task of estimating a static magnetic field using a single-spin quantum sensor, performing Bayesian inference with a graybox model trained on prior experimental data. Using roughly 10,000 training datapoints, the graybox model yields several orders of magnitude improvement in mean squared error over the corresponding physics-only model. These results are broadly applicable to a wide range of quantum sensing platforms, not limited to single-spin systems, and are particularly valuable for real-time adaptive protocols, where model inaccuracies can otherwise lead to suboptimal control and degraded performance.
• Abstract（参考訳）: 量子センサーは、空間分解能と感度において古典的なデバイスに対して大きな利点をもたらし、材料科学、医療、その他の分野での変革的応用を可能にしている。 しかし、その実用性能は、ノイズ、不完全な状態準備、非理想的な制御フィールドなどの非モデル化効果によって制約されることが多い。 そこで本研究では,固体オープン量子システムのためのグレイボックスモデリング戦略を初めて実験的に実装した。 グレーボックスフレームワークは、物理ベースのシステムモデルとデータ駆動による実験の不完全性の記述を統合し、純粋な分析的(ホワイトボックス)アプローチよりも高い忠実性を実現すると同時に、完全なディープラーニングモデルよりもトレーニングリソースを少なくする。 本研究では, 単一スピン量子センサを用いて静磁場を推定し, 先行実験データに基づいて学習したグレーボックスモデルを用いてベイズ推定を行う。 約10,000のトレーニングデータポイントを使用して、グレイボックスモデルは、対応する物理のみのモデルよりも平均2乗誤差が数桁改善される。 これらの結果は、シングルスピンシステムに限らず、幅広い量子センシングプラットフォームに適用可能であり、特に、モデル不正確さが最適下制御や劣化性能に繋がるリアルタイム適応プロトコルに有用である。

関連論文リスト

• Quantum Qualifiers for Neural Network Model Selection in Hadronic Physics [0.0]
  本研究では,データ固有の特性に基づいて,古典的および量子的深層ニューラルネットワーク間のモデル選択を誘導するツールを開発する。 モデル性能は, 複雑性, ノイズ, 次元性の体系的傾向に追従し, それらの傾向を予測基準に抽出する方法を示す。
  論文  参考訳（メタデータ） (2026-01-19T23:37:31Z)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Hybrid Generative Modeling for Incomplete Physics: Deep Grey-Box Meets Optimal Transport [48.06072022424773]
  多くの実世界の系は、方程式の欠落や未知の項にのみ記述される。 これにより、物理モデルの分布は真のデータ生成過程(DGP)とは異なる。 非完全物理モデルを強化するために, 深層グレーボックスモデルと最適輸送法を組み合わせた新しいハイブリッド生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T13:23:27Z)
• Practical Application of the Quantum Carleman Lattice Boltzmann Method in Industrial CFD Simulations [44.99833362998488]
  この研究は、格子ボルツマン法(LBM)に基づくCFDへのハイブリッド量子古典的アプローチの実用的な数値評価を提示する。 本手法は, 異なる境界条件, 周期性, バウンスバック, 移動壁を有する3つのベンチマークケースで評価した。 提案手法の有効性を検証し,10～3ドル程度の誤差忠実度と,実際の量子状態サンプリングに十分な確率を達成できた。
  論文  参考訳（メタデータ） (2025-04-17T15:41:48Z)
• Quantum optimal control of superconducting qubits based on machine-learning characterization [39.58317527488534]
  デバイスパラメータや環境に合わせて最適な量子制御を実現するための実験的な簡単な手法を提案する。 物理にインスパイアされた機械学習を用いて、実験で利用可能なデータから力学の正確なモデルを推測する。 超伝導トランスモン量子ビット上での任意の単一量子ビット演算を最適化することにより、このアプローチのパワーと実現可能性を示す。
  論文  参考訳（メタデータ） (2024-10-29T23:54:25Z)
• Deep reinforcement learning for quantum multiparameter estimation [0.0]
  本研究では,現実的なベイズ量子力学タスクを実現するためのモデルフリーでディープラーニングに基づくアプローチを提案する。 我々は,標準手法よりも高い推定性能の達成を実験的に証明した。
  論文  参考訳（メタデータ） (2022-09-01T18:01:56Z)
• Experimental graybox quantum system identification and control [2.92406842378658]
  我々は、量子システムの物理モデルを構築し、最適制御の設計に利用する「グレーボックス」アプローチを実験的に実証した。 提案手法は,物理原理と高精度な機械学習を組み合わせることで,必要な制御量を直接測定できないような問題に対して有効である。 この方法は自然に時間依存的かつオープンな量子システムに拡張され、量子ノイズ分光とキャンセルへの応用がある。
  論文  参考訳（メタデータ） (2022-06-24T10:19:55Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)

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。