論文の概要: Data-Driven Hamiltonian Reduction for Superconducting Qubits via Meta-Learning

• arxiv url: http://arxiv.org/abs/2604.24912v1
• Date: Mon, 27 Apr 2026 18:48:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.559211
• Title: Data-Driven Hamiltonian Reduction for Superconducting Qubits via Meta-Learning
• Title（参考訳）: メタラーニングによる超電導量子ビットのデータ駆動ハミルトニアン還元
• Authors: Arielle Sanford, Andrew T. Kamen, Frederic T. Chong, Andy J. Goldschmidt,
• Abstract要約: HAMLは超伝導量子プロセッサの効果的なハミルトンモデルの高速オンライン適応のためのフレームワークである。 HAMLをトランスモン-カップラー-トランスモン系上で実演し、様々な操作系で有効な2ビット係数を復元する。 これにより、ハミルトン還元に対するスケーラブルでサンプル効率の良いアプローチと、短期量子プロセッサのキャラクタリゼーションが確立される。
• 参考スコア（独自算出の注目度）: 1.8160438597088957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce HAML (Hamiltonian Adaptation via Meta-Learning), a framework for fast online adaptation of effective Hamiltonian models of superconducting quantum processors. HAML proceeds in two phases. A supervised training phase uses an ensemble of simulated devices to learn an offline map from control inputs and device parameters to effective Hamiltonian coefficients. An online adaptation phase then uses a small number of hardware-accessible measurements to identify the unknown parameters of a new device. By training directly against effective two-qubit coefficients extracted from full multi-mode simulations, HAML implicitly learns the reduction from full multi-mode Hamiltonians to effective qubit descriptions without invoking perturbation theory. We further show that a variance-maximizing greedy selection of measurement configurations boosts online adaptation efficiency. We demonstrate HAML on a transmon-coupler-transmon system, recovering effective two-qubit coefficients across a wide range of operating regimes, including parameter regions where Schrieffer-Wolff perturbation theory (SWPT) breaks down. This establishes a scalable, sample-efficient approach to Hamiltonian reduction and characterization for near-term quantum processors, with direct implications for calibration, control, and error mitigation.
• Abstract（参考訳）: 超伝導量子プロセッサのハミルトニアンモデルの高速オンライン適応のためのフレームワークであるHAML(Hamiltonian Adaptation via Meta-Learning)を紹介する。 HAMLは2つのフェーズで進行する。 教師付きトレーニングフェーズでは、シミュレーションされたデバイスのアンサンブルを使用して、制御入力とデバイスパラメータから効果的なハミルトン係数へのオフラインマップを学習する。 オンライン適応フェーズでは、少数のハードウェアアクセス可能な測定値を使用して、新しいデバイスの未知のパラメータを識別する。 HAMLは、フルマルチモードシミュレーションから抽出された実効2ビット係数に対して直接訓練することにより、摂動理論を起こさずに、フルマルチモードハミルトニアンから実効2ビット記述への還元を暗黙的に学習する。 さらに,測定構成の分散最大化グリーディ選択により,オンライン適応効率が向上することを示す。 本研究では,Shrieffer-Wolff摂動理論(SWPT)が崩壊するパラメータ領域を含む,多種多様な操作系における効果的な2ビット係数を復元するトランスモン-カップラー-トランモン系上でHAMLを実証する。 これはハミルトン還元に対するスケーラブルでサンプル効率の良いアプローチを確立し、短期量子プロセッサのキャリブレーション、制御、エラー軽減に直接的な意味を持つ。

関連論文リスト

• R-Sparse: Rank-Aware Activation Sparsity for Efficient LLM Inference [77.47238561728459]
  R-スパース(R-Sparse)は、高度なLCMにおいて高い疎度を達成できる訓練不要なアクティベーション・スパシティ・アプローチである。 10種類のタスクにわたるLlama-2/3およびMistralモデルの実験は、R-Sparseが50%のモデルレベルの間隔で同等のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-04-28T03:30:32Z)
• Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Encoding arbitrary Ising Hamiltonians on Spatial Photonic Ising Machines [0.0]
  本研究では,完全な相互作用行列を直接制御できるSPIMインスタンスを導入,実験的に検証する。 実験によって測定されたIsingエネルギーと理論的な期待値との整合性を実証し、未重み付きグラフ問題と重み付きグラフ問題の両方を解決する。 本手法は,システム固有の利点を犠牲にすることなく,実世界のアプリケーションに適用可能なSPIMを大幅に拡張する。
  論文  参考訳（メタデータ） (2024-07-12T10:54:07Z)
• DB-LLM: Accurate Dual-Binarization for Efficient LLMs [83.70686728471547]
  大規模言語モデル(LLM)は自然言語処理の分野を著しく進歩させてきた。 既存の超低ビット量子化は、常に深刻な精度低下を引き起こす。 本稿では,LLM,すなわちDB-LLMのための新しいデュアルバイナライズ手法を提案する。
  論文  参考訳（メタデータ） (2024-02-19T09:04:30Z)
• Performance Optimization for Variable Bitwidth Federated Learning in Wireless Networks [103.22651843174471]
  本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。 提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。 FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T08:52:51Z)
• Non-perturbative analytical diagonalization of Hamiltonians with application to coupling suppression and enhancement in cQED [0.0]
  有効ハミルトニアン模型の導出は量子論において重要な役割を果たす。 実効ハミルトニアンモデルを計算するための2つのシンボリックな方法を提案する。 超伝導量子ビット系のZZおよびクロス共鳴相互作用について検討する。
  論文  参考訳（メタデータ） (2021-11-30T19:01:44Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)

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。