論文の概要: End-to-End Learning of Quantum Control on Latent Dynamical Manifold

• arxiv url: http://arxiv.org/abs/2606.27907v1
• Date: Fri, 26 Jun 2026 09:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.446539
• Title: End-to-End Learning of Quantum Control on Latent Dynamical Manifold
• Title（参考訳）: 潜在動的多様体上の量子制御のエンド・ツー・エンド学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.119254069186034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional quantum control relies on an iterative "simulate-then-optimize" paradigm, where dynamics simulation and control design are decoupled, leading to substantial computational overhead and limited scalability, particularly in noisy environments. Here, we propose an end-to-end quantum control framework based on long short-term memory, in which system dynamics and control strategies are learned jointly in a low dimensional latent manifold. The model directly maps initial states and environmental parameters to both dynamical trajectories and optimized control pulse in a single forward pass. The framework is validated on adiabatic speedup in a two-level system and state transfer in a one-dimensional spin chain under noise, achieving accurate dynamical prediction and control optimization. It improves the fidelity for both tasks and significantly reduces the optimization cost by three orders of magnitude compared with conventional iterative methods, while exhibiting strong generalization to multi-parameter, time-varying noise, as well as to different initial states and driving fields. Our work introduces a data-driven control paradigm based on latent manifold learning, reducing the computational bottleneck of iterative optimization and enabling real-time adaptive control of complex open quantum systems.
• Abstract（参考訳）: 従来の量子制御は、動的シミュレーションと制御設計を分離した反復的な「シミュレート・then-Optimize」パラダイムに依存しており、特にノイズの多い環境では、かなりの計算オーバーヘッドと限られたスケーラビリティをもたらす。 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し,システムダイナミクスと制御戦略を低次元潜在多様体で共同で学習する。 このモデルは、初期状態と環境パラメータを直接動的軌跡にマッピングし、単一の前方通過で制御パルスを最適化する。 このフレームワークは、2レベルシステムにおける断熱的高速化とノイズ下での1次元スピンチェーンの状態伝達で検証され、正確な動的予測と制御最適化が達成される。 両タスクの忠実度を向上し、従来の反復法に比べて3桁の最適化コストを著しく削減すると同時に、マルチパラメータ、時間変化ノイズ、および異なる初期状態や駆動フィールドへの強い一般化を示す。 我々の研究は、潜在多様体学習に基づくデータ駆動制御パラダイムを導入し、反復最適化の計算ボトルネックを低減し、複雑なオープン量子システムのリアルタイム適応制御を可能にする。

関連論文リスト

• Real-time optimal control with shallow recurrent decoder networks [4.952983248701927]
  SHallow Recurrent-based Reduced Order Modeling Network を用いて,高次元ダイナミクスのための実時間閉ループ制御系を合成する。 いくつかの最適な例でモデルをトレーニングした後、SHRED-ROMは新しいシナリオで効果的な分散制御アクションで専門家の振る舞いを模倣する。 センサ予測器を合成し、潜伏レベルでループを閉じることで、センサの故障や遅延を効率的に軽減する。
  論文  参考訳（メタデータ） (2026-07-21T17:13:49Z)
• Multi-scale Coarse-to-fine Modeling for Test-time Human Motion Control [51.92884966472683]
  MSCoTは、テストタイムの人間のモーション合成と制御のための、マルチスケールで粗い粒度モデルである。 MSCoTは動きを多スケールの階層表現に識別し、各時間スケールでトークンシーケンス全体を予測する。
  論文  参考訳（メタデータ） (2026-05-14T15:09:49Z)
• Optimal Control Design Guided by Adam Algorithm and LSTM-Predicted Open Quantum System Dynamics [0.0]
  長期記憶ニューラルネットワーク(LSTM-NN)は、オープン量子システムの時間進化を正確に予測することができる。 オープン量子系における高速かつ効率的な最適制御設計のための最適制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-04T12:08:12Z)
• 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)
• 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)
• Latent feedback control of distributed systems in multiple scenarios through deep learning-based reduced order models [3.5161229331588095]
  高次元分散システムの継続的な監視とリアルタイム制御は、望まれる物理的な振る舞いを保証するためにアプリケーションに不可欠である。 完全順序モデルに依存する従来のフィードバック制御設計は、制御計算の遅延のため、これらの要求を満たすことができない。 非線形非侵襲的深層学習に基づく還元順序モデル(DL-ROM)により強化されたリアルタイム閉ループ制御戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-13T08:04:21Z)
• Neural Projected Quantum Dynamics: a systematic study [0.0]
  モンテカルロ変分法によるユニタリ量子力学の古典シミュレーションの課題について検討する。 予測時間依存モンテカルロ法 (p-tVMC) の完全形式化と大幅な改良を行った。 この研究は、大規模2次元量子システムの力学をシミュレーションする強力なフレームワークとしてp-tVMCを確立する。
  論文  参考訳（メタデータ） (2024-10-14T17:01:33Z)
• Controlling quantum many-body systems using reduced-order modelling [0.0]
  本稿では,多体量子システムにおける制御問題のクラスを解くための効率的な手法を提案する。 もともとのサブシステムの「デジタルツイン」と見なされる、そのような縮小順序モデルの力学のシミュレーションは、はるかに効率的である。 この結果は、多体システムの研究、非自明な準粒子特性の探索、および量子コンピューティングデバイスの開発管理ツールに直接応用される。
  論文  参考訳（メタデータ） (2022-11-01T13:58:44Z)
• On optimization of coherent and incoherent controls for two-level quantum systems [77.34726150561087]
  本稿では、閉かつオープンな2レベル量子系の制御問題について考察する。 閉系の力学は、コヒーレント制御を持つシュリンガー方程式によって支配される。 開系の力学はゴリーニ=コサコフスキー=スダルシャン=リンドブラッドのマスター方程式によって支配される。
  論文  参考訳（メタデータ） (2022-05-05T09:08:03Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)
• Bilinear dynamic mode decomposition for quantum control [4.069849286089743]
  本研究では,データ駆動型回帰手法である双線形動的モード分解(biDMD)を開発し,時系列測定を用いてQOCの量子システム同定を行う。 本研究は,いくつかの代表量子系に対するアプローチの有効性と性能を実証し,実験結果と一致したことを示す。
  論文  参考訳（メタデータ） (2020-10-27T19:38:58Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)
• Optimal non-classical correlations of light with a levitated nano-sphere [34.82692226532414]
  非古典的相関は、量子技術における多くの応用のためのリソースを提供する。 オプトメカニカルシステムは、メカニカルモードと移動光モードの間の非古典的相関を生成することができる。 このようなシステムにおける量子相関生成の自動最適化を提案する。
  論文  参考訳（メタデータ） (2020-06-26T15:27:47Z)

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。