論文の概要: Reinforcement Learning for Robust Calibration of Multi-Qudit Quantum Gates
- arxiv url: http://arxiv.org/abs/2604.19990v1
- Date: Tue, 21 Apr 2026 21:00:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:10.844102
- Title: Reinforcement Learning for Robust Calibration of Multi-Qudit Quantum Gates
- Title（参考訳）: 量子ゲートのロバスト校正のための強化学習
- Authors: Amine Jaouadi, Sahel Ashhab,
- Abstract要約: 本研究では,2つのキュートリット上で頑健な制御相ゲートを実現するために,最適制御理論手法と文脈深部強化学習を統合したハイブリッド最適化フレームワークを提案する。
本研究は,高次元システムにおける量子ゲートのロバストな校正のための実用的かつスケーラブルな要素として強化学習を確立した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Higher-dimensional quantum systems, such as qudits, offer architectural and algorithmic advantages over qubits, but their increased spectral crowding and limited controllability render high-fidelity quantum gates particularly challenging. We propose a hybrid optimization framework that integrates optimal control theory methods with contextual deep reinforcement learning to achieve robust controlled-phase gates on two qutrits. Optimal control is first used to design high-fidelity control pulses for a nominal system model. Reinforcement learning is then employed as a calibration stage that learns small residual corrections to these pulses in the presence of static model mismatch, thereby preserving good gate performance under realistic parameter uncertainties. By learning structured, low-dimensional residual corrections conditioned on device-specific parameter variations, reinforcement learning enhances the transfer robustness of nominally optimal but parameter-sensitive control solutions across ensembles of devices. Crucially, the reinforcement learning step in our framework does not compete with the optimal control step but provides the adaptability required for realistic hardware, systematically reducing the sensitivity to parameter fluctuations. Our results establish reinforcement learning as a practical and scalable ingredient for robust calibration of quantum gates in high-dimensional systems.
- Abstract（参考訳）: 量子ビットのような高次元量子系は、量子ビットよりもアーキテクチャ的およびアルゴリズム的優位性を提供するが、スペクトルの混雑と制御性に制限があるため、高忠実度量子ゲートは特に困難である。
本研究では,2つのキュートリット上で頑健な制御相ゲートを実現するために,最適制御理論手法と文脈深部強化学習を統合したハイブリッド最適化フレームワークを提案する。
最適制御は、初めて名前付きシステムモデルのための高忠実度制御パルスの設計に使用される。
次に、強化学習をキャリブレーション段階として使用し、静的モデルミスマッチの存在下でこれらのパルスに対する小さな残差補正を学習し、現実的なパラメータの不確かさの下で良好なゲート性能を維持する。
デバイス固有のパラメータ変動を条件とした低次元残差補正を学習することにより、強化学習はデバイスアンサンブル全体にわたって、名目上最適だがパラメータに敏感な制御ソリューションの移動ロバスト性を高める。
重要なことは、我々のフレームワークにおける強化学習ステップは最適制御ステップとは競合しないが、現実的なハードウェアに必要な適応性を提供し、パラメータ変動に対する感度を体系的に低減する。
本研究は,高次元システムにおける量子ゲートのロバストな校正のための実用的かつスケーラブルな要素として強化学習を確立した。
関連論文リスト
- Decoupling Reasoning and Confidence: Resurrecting Calibration in Reinforcement Learning from Verifiable Rewards [71.19033708090389]
Reinforcement Learning from Verifiable Rewards (RLVR) は、大きな言語モデル(LLM)推論を著しく強化するが、校正劣化に苦しむ。
推論と校正の目的を体系的に分離するフレームワークであるDCPOを提案する。
論文 参考訳（メタデータ） (2026-03-10T02:47:59Z) - Comparing and correcting robustness metrics for quantum optimal control [1.6927349660459692]
本稿では,隣接端点とトグリングフレームのアプローチにおける重要な数値的違いを示す,新しい体系的な研究を提案する。
また、広く使われているロバストネスフレーム推定器に臨界離散化補正を導入する。
提案手法は制御と忠実性の制約を一意に処理すると同時に,厳密な最適化をクリーンに分離する。
論文 参考訳（メタデータ） (2026-02-10T22:44:16Z) - TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。
これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - Using optimal control to guide neural-network interpolation of continuously-parameterized gates [1.989128176079823]
量子最適制御と物理インフォームド機械学習を組み合わせることで、ゲートファミリー間を介する制御面を効率的に合成する。
私たちのフレームワークは、最適な制御ツールとシンプルな機械学習を組み合わせることで、実践者がアルゴリズムの3倍のスピードアップを達成できることを示しています。
論文 参考訳（メタデータ） (2024-12-09T16:16:18Z) - 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) - Neural Networks with Quantization Constraints [111.42313650830248]
量子化学習における制約付き学習手法を提案する。
結果の問題は強い双対であり、勾配推定は不要であることを示す。
提案手法は画像分類タスクにおける競合性能を示す。
論文 参考訳（メタデータ） (2022-10-27T17:12:48Z) - Sparsity in Partially Controllable Linear Systems [56.142264865866636]
本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。
最適制御には無関係な状態変数を特徴付ける。
論文 参考訳（メタデータ） (2021-10-12T16:41:47Z) - Integrated tool-set for Control, Calibration and Characterization of
quantum devices applied to superconducting qubits [0.5269923665485903]
本稿では,量的精度の高いシステムモデル,高忠実度ゲート,近似誤差予算を求める手法を提案する。
校正を必要とせずに99.6%の忠実度を達成するコヒーレンス限定共振ゲートを導出する。
論文 参考訳（メタデータ） (2020-09-21T13:38:45Z) - Adaptive Control and Regret Minimization in Linear Quadratic Gaussian
(LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。
LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文 参考訳（メタデータ） (2020-03-12T19:56:38Z) - Learning Adaptive Loss for Robust Learning with Noisy Labels [59.06189240645958]
ロバスト損失は、堅牢な学習問題を扱うための重要な戦略である。
本稿では,強靭なハイパーチューニングが可能なメタ学習手法を提案する。
4種類のSOTA損失関数は, 最小化, 一般利用, 有効性を示す。
論文 参考訳（メタデータ） (2020-02-16T00:53:37Z)
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。