論文の概要: Intelligent Optimal Control of Rydberg Gates with Incremental-Update Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2605.04628v1
• Date: Wed, 06 May 2026 08:15:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.722489
• Title: Intelligent Optimal Control of Rydberg Gates with Incremental-Update Deep Reinforcement Learning
• Title（参考訳）: 逐次更新深部強化学習によるライダーベルクゲートのインテリジェント最適制御
• Abstract要約: 本稿では,高速かつ高忠実なRydberg制御NOTゲートを実現するためのDRLベースのフレームワークについて述べる。 段階的に更新された学習ポリシーを導入することで、制御環境の探索を効果的に調整する。 提案プロトコルは, 従来手法を著しく上回り, 耐故障しきい値を超え, 0.9991 のピーク平均忠実度を実現している。
• 参考スコア（独自算出の注目度）: 10.771205594997445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep reinforcement learning (DRL), acting as a novel and powerful paradigm for quantum optimal control, offers transformative opportunities for advancing neutral-atom quantum computing. In this work, we theoretically demonstrate a DRL-based framework for realizing Rydberg controlled-NOT gates that achieve both high speed and high fidelity through the synchronous modulation of multiple pulse parameters without any prior heuristic ansatz. By introducing an incremental-update learning policy, our framework effectively regularizes the exploration of the control landscape, ensuring the generation of smooth, experimentally feasible pulse profiles while significantly reducing computational overhead compared to conventional schemes. Crucially, the framework autonomously discovers an early-cutoff policy by optimally reconciling operation speed with high-precision coherent control. Our optimized protocol achieves a peak average fidelity of 0.9991, significantly outperforming conventional methods and surpassing the critical fault-tolerant threshold. This work establishes a generalizable, AI-driven pathway for designing high-performance quantum gates and provides a robust paradigm for autonomous control field optimization across diverse qubit platforms.
• Abstract（参考訳）: 量子最適制御のための新しい強力なパラダイムとして機能する深層強化学習(DRL)は、中性原子量子コンピューティングを進化させるための変革的な機会を提供する。 本研究では,Rydberg制御NOTゲートを実現するためのDRLベースのフレームワークを理論的に実証する。 段階的に更新される学習ポリシーを導入することで、制御ランドスケープの探索を効果的に調整し、スムーズで実験可能なパルスプロファイルの生成を保証し、従来の方式に比べて計算オーバーヘッドを大幅に削減する。 重要なことに、このフレームワークは、高速コヒーレント制御で動作速度を最適に調整することで、早期カットオフポリシーを自律的に発見する。 最適化されたプロトコルは, ピーク平均忠実度0.9991を達成し, 従来手法を著しく上回り, 耐故障しきい値を超えている。 この研究は、高性能量子ゲートを設計するための汎用的でAI駆動の経路を確立し、様々な量子ビットプラットフォームにまたがる自律制御フィールド最適化のための堅牢なパラダイムを提供する。

関連論文リスト

• Adaptive AI for Pulse-Level Quantum Control [0.0]
  ディープQ学習ネットワークに基づく強化学習エージェントが,高性能なパルス列を自律的に発見できることが示される。 その結果、適応学習はパルスレベルの量子制御のための有望なハードウェア対応フレームワークとして注目される。
  論文  参考訳（メタデータ） (2026-09-08T13:25:37Z)
• End-to-End Learning of Quantum Control on Latent Dynamical Manifold [13.119254069186034]
  従来の量子制御は反復的な「シミュレート・then-Optimize」パラダイムに依存している。 本稿では,長期記憶に基づくエンドツーエンドの量子制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:57:12Z)
• Reinforcement Learning for Robust Calibration of Multi-Qudit Quantum Gates [0.0]
  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。
  論文  参考訳（メタデータ） (2026-04-21T21:00:27Z)
• Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
  本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。 このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。 安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
  論文  参考訳（メタデータ） (2026-03-07T01:49:59Z)
• Reinforcement Learning for Quantum Network Control with Application-Driven Objectives [53.03367590211247]
  動的プログラミングと強化学習は、制御戦略を最適化するための有望なツールを提供する。 非線形で微分可能な目的関数を直接最適化する新しいRLフレームワークを提案する。 我々の研究は、RLを持つ量子ネットワークにおける非線形目的関数最適化への第一歩であり、より高度なユースケースへの道を開く。
  論文  参考訳（メタデータ） (2025-09-12T18:41:10Z)
• Hardware Co-Designed Optimal Control for Programmable Atomic Quantum Processors via Reinforcement Learning [0.18416014644193068]
  本稿では,古典的制御ハードウェアに固有の欠陥に対処する,ハードウェア共同設計の量子制御フレームワークを提案する。 提案手法により,高忠実かつ並列な単一ビットゲート操作が可能となることを示す。 システム複雑性が増加するにつれてPPO性能は低下するが、エンドツーエンドの微分可能なRLは99.9$%以上のゲート忠実度を一貫して達成する。
  論文  参考訳（メタデータ） (2025-04-16T03:30:40Z)
• 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)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Quantum Gate Optimization for Rydberg Architectures in the Weak-Coupling Limit [55.05109484230879]
  我々は,Rydberg tweezerシステムにおける2ビットゲートの機械学習支援設計を実演する。 我々は,高忠実度CNOTゲートを実装した最適パルス列を生成する。 単一量子ビット演算の局所的な制御は、原子列上で量子計算を行うのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-06-14T18:24:51Z)
• Direct pulse-level compilation of arbitrary quantum logic gates on superconducting qutrits [36.30869856057226]
  任意のqubitおよびqutritゲートを高忠実度で実現でき、ゲート列の長さを大幅に削減できることを示す。 最適制御ゲートは少なくとも3時間ドリフトでき、同じ校正パラメータを全ての実装ゲートに利用できることを示す。
  論文  参考訳（メタデータ） (2023-03-07T22:15:43Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)
• Guided Constrained Policy Optimization for Dynamic Quadrupedal Robot Locomotion [78.46388769788405]
  我々は,制約付きポリシー最適化(CPPO)の実装に基づくRLフレームワークであるGCPOを紹介する。 誘導制約付きRLは所望の最適値に近い高速収束を実現し,正確な報酬関数チューニングを必要とせず,最適かつ物理的に実現可能なロボット制御動作を実現することを示す。
  論文  参考訳（メタデータ） (2020-02-22T10:15:53Z)

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。