論文の概要: Optimal State Preparation for Impulse Estimation in Gaussian Quantum Systems

• arxiv url: http://arxiv.org/abs/2605.12155v1
• Date: Tue, 12 May 2026 14:07:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.90256
• Title: Optimal State Preparation for Impulse Estimation in Gaussian Quantum Systems
• Title（参考訳）: ガウス量子系におけるインパルス推定のための最適状態準備
• Authors: Kaspar Schmerling, Andreas Kugi, Andreas Deutschmann-Olek,
• Abstract要約: 本稿では, 連続監視された線形古典量子系におけるインパルス的乱れの推定を, 最適制御に基づく手法を提案する。 ナノメカニカル共振器および浮遊ナノ粒子の適用により、最適パラメトリック駆動は、定常動作に対する最大2つの係数による推定分散を減少させる。
• 参考スコア（独自算出の注目度）: 3.6792528307955865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an optimal control-based strategy to enhance the estimation of impulse-like disturbances in continuously monitored linear classical and quantum systems by exploiting non-equilibrium states. Using optimal estimation techniques for linear Gaussian systems to collect information from the temporal vicinity of the disturbance, we cast the minimization of disturbance estimation uncertainty as a nonlinear optimal control problem over time-dependent system parameters. The resulting method dynamically shapes the estimation covariances through parametric modulation, maximizing information gain at a known impulse time. This differs fundamentally from conventional squeezing protocols using periodic modulation that effectively degrade inference of impulse-like disturbances. Applied to nanomechanical resonators and levitated nanoparticles, optimal parametric driving reduces estimation variance by up to a factor of two relative to steady-state operation
• Abstract（参考訳）: 非平衡状態を利用して連続監視された線形古典量子系におけるインパルス的乱れの推定を強化するための最適制御に基づく戦略を提案する。 線形ガウス系の最適推定手法を用いて、外乱の時間的近傍から情報を収集し、外乱推定の不確実性の最小化を時間依存システムパラメータよりも非線形最適制御問題として用いた。 その結果、パラメトリック変調により推定共分散を動的に形成し、既知のインパルス時間で情報ゲインを最大化する。 これは、インパルスのような乱れの推論を効果的に分解する周期変調を用いた従来のスクイーズプロトコルと根本的に異なる。 ナノメカニカル共振器および浮遊ナノ粒子に応用した最適パラメトリック駆動は、定常動作に対する最大2倍の係数で推定分散を減少させる

関連論文リスト

• 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)
• Regime-Aware Time Weighting for Physics-Informed Neural Networks [0.0]
  本稿では,時間依存微分方程式の解法としてPINNを用いた場合の時間次元を扱う新しい手法を提案する。 我々のアプローチは、時間とともに摂動に対する解の感度を定量化するリアプノフから導かれる理論的な洞察に基づいている。 カオスロレンツ系やバーガースの方程式を含む挑戦的ベンチマークに関する数値実験により,提案手法の有効性とロバスト性を実証した。
  論文  参考訳（メタデータ） (2024-07-31T14:41:40Z)
• Stochastic Nonlinear Control via Finite-dimensional Spectral Dynamic Embedding [20.43835169613882]
  本稿では,非線形系の最適制御のためのスペクトルダイナミクス埋め込み制御(SDEC)を提案する。 これはシステムの非線形力学によって誘導される無限次元の特徴表現を明らかにし、状態-作用値関数の線形表現を可能にする。 実用的な実装では、この表現は有限次元のトランケーションを用いて近似される。
  論文  参考訳（メタデータ） (2023-04-08T04:23:46Z)
• Compensating for non-linear distortions in controlled quantum systems [0.0]
  実験プラットフォームにおける入力フィールドの歪みはモデルの精度を変化させ、予測されたダイナミクスを乱す。 任意の長さと大きさの非線形伝達関数に適した歪みを推定する有効な方法を提案する。 我々は、単一のRydberg原子系の数値的な例に対して、我々のアプローチをうまくテストした。
  論文  参考訳（メタデータ） (2022-10-14T14:02:39Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• Neural Stochastic Contraction Metrics for Learning-based Control and Estimation [13.751135823626493]
  NSCMフレームワークにより、自律エージェントは最適な安定制御と推定ポリシーをリアルタイムで近似することができる。 これは、状態依存リカティ方程式、反復LQR、EKF、神経収縮など、既存の非線形制御と推定技術より優れている。
  論文  参考訳（メタデータ） (2020-11-06T03:04:42Z)
• Neural Contraction Metrics for Robust Estimation and Control: A Convex Optimization Approach [6.646482960350819]
  本稿では,ニューラル・コントラクト・メトリック(NCM)の概念を用いて,ロバストな非線形推定と制御のための新しいディープラーニングベースのフレームワークを提案する。 NCMは、最適な収縮距離を大域的に近似するために、ディープロング短期記憶リカレントニューラルネットワークを使用する。 そこで本稿では,NCMを用いた非線形システムの最適推定器と制御器の設計について述べる。
  論文  参考訳（メタデータ） (2020-06-08T05:29:38Z)

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。