論文の概要: Kraus Constrained Sequence Learning For Quantum Trajectories from Continuous Measurement
- arxiv url: http://arxiv.org/abs/2603.05468v1
- Date: Thu, 05 Mar 2026 18:37:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-06 22:06:11.373152
- Title: Kraus Constrained Sequence Learning For Quantum Trajectories from Continuous Measurement
- Title（参考訳）: 連続測定による量子軌道のクラウス制約シーケンス学習
- Authors: Priyanshi Singh, Krishna Bhatia,
- Abstract要約: 本稿では,ジェネリックシークエンスバックボーンの隠れ表現を正のトレース保存(CPTP)量子演算に変換するクラス構造出力層を提案する。
すべてのモデルにおいて、Kraus-LSは最強の結果を達成し、制約のないモデルに比べて、状態推定品質を7%向上させる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-time reconstruction of conditional quantum states from continuous measurement records is a fundamental requirement for quantum feedback control, yet standard stochastic master equation (SME) solvers require exact model specification, known system parameters, and are sensitive to parameter mismatch. While neural sequence models can fit these stochastic dynamics, the unconstrained predictors can violate physicality such as positivity or trace constraints, leading to unstable rollouts and unphysical estimates. We propose a Kraus-structured output layer that converts the hidden representation of a generic sequence backbone into a completely positive trace preserving (CPTP) quantum operation, yielding physically valid state updates by construction. We instantiate this layer across diverse backbones, RNN, GRU, LSTM, TCN, ESN and Mamba; including Neural ODE as a comparative baseline, on stochastic trajectories characterized by parameter drift. Our evaluation reveals distinct trade-offs between gating mechanisms, linear recurrence, and global attention. Across all models, Kraus-LSTM achieves the strongest results, improving state estimation quality by 7% over its unconstrained counterpart while guaranteeing physically valid predictions in non-stationary regimes.
- Abstract（参考訳）: 連続測定記録からの条件量子状態のリアルタイム再構成は、量子フィードバック制御の基本的な要件であるが、標準確率マスター方程式(SME)ソルバは正確なモデル仕様、既知のシステムパラメータを必要とし、パラメータミスマッチに敏感である。
ニューラルシークエンスモデルはこれらの確率力学に適合するが、制約のない予測器は正性やトレース制約などの物理性に反し、不安定なロールアウトと非物理的推定をもたらす。
本稿では,ジェネリックシークエンスバックボーンの隠れ表現を完全正のトレース保存(CPTP)量子演算に変換するクラス構造出力層を提案する。
パラメータドリフトを特徴とする確率軌道上で,ニューラルODEを比較ベースラインとして含む,様々なバックボーン(RNN, GRU, LSTM, TCN, ESN, Mamba)でこの層をインスタンス化する。
本評価では, ゲーティング機構, リニアリカレンス, グローバルアテンションの相違点を明らかにした。
すべてのモデルにおいて、クラウス-LSTMは最強の結果を達成し、非定常状態における物理的に有効な予測を保証しながら、制約のないモデルに比べて、状態推定品質を7%向上させる。
関連論文リスト
- Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - Hybrid Quantum-Classical Recurrent Neural Networks [0.10152838128195468]
本稿では,ハイブリッド型量子古典的リカレントニューラルネットワークアーキテクチャを提案する。
隠れ状態は、古典的なフィードフォワードネットワークによって制御される$n$-qubit量子回路(PQC)の量子状態である。
我々は、感情分析、MNIST、置換されたMNIST、メモリのコピー、言語モデリングを最大14キュービットでシミュレーションで評価する。
論文 参考訳（メタデータ） (2025-10-29T14:21:49Z) - 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) - Parameter Estimation for Jump-Diffusion Stochastic Master Equations [9.167963523963936]
本稿では,連続観測下でのオープン量子系のパラメータ推定について検討する。
まず、還元量子フィルタの存在と正当性を確立する。
量子フィルタの安定性理論を拡張し、指数収束が一致しない初期状態の下で持続することを示す。
論文 参考訳（メタデータ） (2025-09-24T08:09:06Z) - Quantum Filtering and Stabilization of Dissipative Quantum Systems via Augmented Neural Ordinary Differential Equations [5.819937157229223]
AQNODEは、測定データから直接量子軌道と散逸パラメータを学習するフレームワークである。
提案手法は、弱い測定データを統合して、量子ビット状態と時間依存デコヒーレンス率を再構成する。
AQNODEは、分散量子システムのリアルタイムモデリングと制御のためのスケーラブルで微分可能で実験的に互換性のあるフレームワークである。
論文 参考訳（メタデータ） (2025-09-08T20:23:45Z) - A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
後部分布フレームワークのニューラルネットワークに基づく近似を導入する。
我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。
20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
論文 参考訳（メタデータ） (2025-07-14T18:31:19Z) - Grassmann Variational Monte Carlo with neural wave functions [45.935798913942904]
ヒルベルト空間のグラスマン幾何学の観点から、Pfau et al.citepfau2024accurateによって導入された枠組みを定式化する。
正方格子上のハイゼンベルク量子スピンモデルに対する我々のアプローチを検証し、多くの励起状態に対して高精度なエネルギーと物理観測値を達成する。
論文 参考訳（メタデータ） (2025-07-14T13:53:13Z) - Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳（メタデータ） (2025-03-24T03:19:45Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳（メタデータ） (2024-02-26T04:39:01Z) - Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。
ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。
本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文 参考訳（メタデータ） (2022-08-30T08:17:55Z) - Realizing a dynamical topological phase in a trapped-ion quantum
simulator [0.0]
プログラム可能な量子シミュレーションのための新しいプラットフォームは、非平衡な量子多体力学の新しい状態に前例のないアクセスを提供する。
大規模なエラーに対して自己修正した量子エンタングルメントを作成し、保護し、操作する方法を示す。
我々の研究は、より複雑な動的トポロジカルな順序の実装の道を開いた。
論文 参考訳（メタデータ） (2021-07-20T18:00:00Z)
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。