論文の概要: Learning Lindblad Dynamics of a Superconducting Quantum Processor

• arxiv url: http://arxiv.org/abs/2605.00626v1
• Date: Fri, 01 May 2026 13:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.953456
• Title: Learning Lindblad Dynamics of a Superconducting Quantum Processor
• Title（参考訳）: 超伝導量子プロセッサのリンドブラッドダイナミクスの学習
• Authors: Johann Bock Severin, Malthe A. Marciniak, Rune Thinggaard Birke, Emil Hogedal, Andreas Nylander, Irshad Ahmad, Amr Osman, Janka Biznárová, Marcus Rommel, Anita Fadavi Roudsari, Jonas Bylander, Giovanna Tancredi, Christopher W. Warren, Svend Krøjer, Jacob Hastrup, Morten Kjaergaard,
• Abstract要約: LIMINALは、最小限の適切なLindbladモデルをテストし、選択するためのフレームワークである。 LIMINALを5ビット超伝導プロセッサに適用し、3局所ハミルトン項と2局所散逸を持つアイドリングモデルを同定した。 さらに、駆動された単一量子ハミルトニアンを復元し、解析パルスモデルを仮定せずに形状のパルスハミルトニアンを再構成し、カプラを媒介とする力学において隠れクビット拡張をテストする。
• 参考スコア（独自算出の注目度）: 0.5517748509836581
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate models of quantum processors are essential for understanding, calibrating, and improving their performance. In practice, model construction must balance physical detail against the experimental and computational effort required to reliably learn parameters. Compact descriptions therefore often rely on assumptions about which interactions, noise processes, or hidden degrees of freedom are relevant. Here we introduce LIMINAL, a data-driven framework for testing such assumptions and selecting minimal adequate Lindblad models. LIMINAL fits nested candidate models to time-resolved tomographic data and uses likelihood-ratio tests to decide when added physical mechanisms are warranted. We apply LIMINAL to a five-qubit superconducting processor, identifying an idling model with three-local Hamiltonian terms and two-local dissipation, while finding no support for three-local dissipation. We further apply it to recover driven single-qubit Hamiltonians, reconstruct a shaped-pulse Hamiltonian without assuming an analytic pulse model, and test hidden-qubit extensions in coupler-mediated dynamics, demonstrating the applicability of the framework for a wide range of tasks.
• Abstract（参考訳）: 量子プロセッサの正確なモデルは、その性能を理解し、校正し、改善するために不可欠である。 実際には、モデル構築は、パラメータを確実に学習するために必要な実験的および計算的努力と物理的詳細をバランスさせなければならない。 したがって、コンパクトな記述は、どの相互作用、ノイズプロセス、あるいは隠れた自由度が関係しているかという仮定にしばしば依存する。 ここでは、このような仮定をテストし、最小限の適切なリンドブラッドモデルを選択するためのデータ駆動フレームワークであるLIMINALを紹介する。 LIMINALは、ネストされた候補モデルと時間分解トモグラフィーデータに適合し、追加の物理メカニズムが保証されたかどうかを決定するために、確率比テストを使用する。 LIMINALを5ビット超伝導プロセッサに適用し、3局所ハミルトン項と2局所消散を持つアイドリングモデルを同定し、3局所消散をサポートしていない。 さらに、駆動された単一量子ハミルトニアンを復元し、解析パルスモデルを仮定せずに形状のパルスハミルトニアンを再構成し、カプラを媒介とする力学において隠れクオビット拡張をテストし、幅広いタスクにフレームワークの適用性を示す。

関連論文リスト

• Ansatz-Free Learning of Lindbladian Dynamics In Situ [2.380854690607918]
  先行構造や局所性を仮定することなく,スパークスなリンドブラディアンを学習するための,最初のサンプル効率のよいプロトコルを提案する。 本プロトコルはアンシラフリーであり, 製品状態とパウリ基底測定のみを使用し, ほぼ最適時間分解能を実現する。
  論文  参考訳（メタデータ） (2026-03-05T18:57:25Z)
• Effective Hamiltonian for an off-resonantly driven qubit-cavity system [0.0]
  ゆっくり回転する項を保持する実効ハミルトニアンを導出し、駆動力学を正確に記述するための一般的な枠組みを提供する。 具体的応用として、回路QEDにおいて、実験的に測定されたアクスタークシフトを定量的に再現する理論を検証した。 我々の結果は、量子情報処理プラットフォームにおける駆動インタラクションをエンジニアリングするための、広く適用可能なツールを確立しました。
  論文  参考訳（メタデータ） (2025-09-03T14:53:07Z)
• Noise Hypernetworks: Amortizing Test-Time Compute in Diffusion Models [57.49136894315871]
  テストタイムスケーリングの新しいパラダイムは、推論モデルと生成視覚モデルにおいて驚くべきブレークスルーをもたらした。 本稿では,テスト時間スケーリングの知識をモデルに組み込むことの課題に対する1つの解決策を提案する。 拡散モデルにおいて、初期入力ノイズを変調するノイズハイパーネットワークにより、報酬誘導試験時間雑音の最適化を行う。
  論文  参考訳（メタデータ） (2025-08-13T17:33:37Z)
• Hamiltonian Learning using Machine Learning Models Trained with Continuous Measurements [0.0]
  我々は最近の機械学習モデルを用いて、量子ビットの連続弱測定を入力としてハミルトンパラメータを推定する作業を構築した。 本モデルでは,(1)弱測定トレーニングレコードを既知のハミルトンパラメータでラベル付けできる教師なし学習と,(2)ラベルを使用できない教師なし学習の2つの設定について検討する。
  論文  参考訳（メタデータ） (2024-04-08T13:50:50Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• A data-driven peridynamic continuum model for upscaling molecular dynamics [3.1196544696082613]
  分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。 我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。 このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
  論文  参考訳（メタデータ） (2021-08-04T07:07:47Z)
• Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
  factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。 本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
  論文  参考訳（メタデータ） (2021-04-05T00:02:36Z)

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。