論文の概要: Forked Physics-Informed Neural Networks for Non-Markovian Open Quantum Dynamics and Control

• arxiv url: http://arxiv.org/abs/2607.12567v1
• Date: Tue, 14 Jul 2026 09:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.099044
• Title: Forked Physics-Informed Neural Networks for Non-Markovian Open Quantum Dynamics and Control
• Title（参考訳）: 非マルコフ的オープン量子ダイナミクスと制御のためのフォーク物理インフォームニューラルネットワーク
• Abstract要約: 物理情報ニューラルネットワーク(PINN)は、量子システムのシミュレーションと制御を再統一する経路を提供する。 従来提案していた分岐型PINN(FPINN)を,専用制御部を組み込むことで拡張する。 我々のフレームワークはオープン量子システムのシミュレーションと制御のための統一的でエンドツーエンドの微分可能なパラダイムを提供する。
• 参考スコア（独自算出の注目度）: 1.3975180218814856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed neural networks (PINNs) provide a pathway to reunify the simulation and control of quantum systems, in which these two tasks are typically decoupled in traditional strategies. However, most work remains confined to Markovian environments. When applied to non-Markovian systems, standard PINN architectures fail to converge reliably due to multi-objective optimization conflicts arising from the coupled differential equations. To address this fundamental limitation, we extend our previously proposed forked PINN (FPINN) by incorporating a dedicated control branch. By decoupling the optimization objectives at the gradient level via selective gradient flow, our method turns a previously intractable multi-task optimization into a well-conditioned one, allowing simulation and control to be optimized jointly without compromise. Numerical simulations on a two-qubit Heisenberg XXX model confirm that our framework faithfully reproduces the features of non-Markovian dynamics, including decoherence and information backflow. Taking a state-preparation task on the same model as an example, our FPINN achieves higher fidelity than gradient ascent pulse engineering, chopped random basis, and standard PINNs, with the advantage becoming more pronounced as the environment becomes more dissipative and more Markovian. The generated pulses are also noticeably smoother, which is advantageous for experimental implementation. Our framework thus provides a unified, end-to-end differentiable paradigm for simulation and control of open quantum systems, with potential implications for quantum computing, simulation, and control.
• Abstract（参考訳）: 物理情報ニューラルネットワーク(PINN)は、量子システムのシミュレーションと制御を再統一する経路を提供する。 しかし、ほとんどの研究はマルコフ環境に限られている。 非マルコフ系に適用すると、標準のPINNアーキテクチャは結合微分方程式から生じる多目的最適化の矛盾のために確実に収束しない。 この基本的な制限に対処するために、我々は、専用制御ブランチを組み込むことで、これまで提案していた分岐PINN(FPINN)を拡張した。 選択的勾配流を用いて勾配レベルでの最適化目標を分離することにより、従来は難解であったマルチタスク最適化を、良好な条件のものにし、シミュレーションと制御を妥協なく共同で最適化することができる。 2量子ハイゼンベルクXXXモデルの数値シミュレーションにより,非マルコフ力学の特徴を忠実に再現することを確認した。 FPINNは、例えば同じモデルで状態準備タスクを行うことで、勾配上昇パルス工学、切断ランダムベース、標準PINNよりも高い忠実度を実現し、環境がより散逸し、よりマルコフ的になるにつれて、利点がより顕著になる。 生成されたパルスも顕著に滑らかであり、実験的な実装に有利である。 我々のフレームワークは、オープン量子システムのシミュレーションと制御のための統一的でエンドツーエンドの微分可能なパラダイムを提供し、量子コンピューティング、シミュレーション、制御に潜在的に影響する可能性がある。

関連論文リスト

• Performance of Krotov, PRONTO and PINN for optimal control of quantum gates [0.0]
  量子最適制御のための拡張PINNスキーム(PINNQOC)を提案する。 当社のフレームワークを、2つの主要な継続的制御解決器に対してベンチマークします。 我々の先進的なPINNQOCアプローチは、99.9$%以上のゲート忠実性を達成しながら、人口流出を抑制することに成功した。
  論文  参考訳（メタデータ） (2026-07-25T16:21:48Z)
• FUSE: FK-Steered Multi-Modal Flow Matching for Efficient Simulation-Based Posterior Estimation [47.3675633392999]
  FUSE (Feynman-Kac steered mUlti-modal flow matching for efficient Simulation-based posterior Estimation) を導入する。 以前の作業とは異なり、FUSEは動的相互作用を容易にしながらマルチモーダル入力の異なる特徴を保存するデュアルトラックアーキテクチャを採用している。 提案手法は, 標準SBIベンチマークにおける最先端のベースラインよりも優れており, 基幹のMCMCと密に一致した後部を創出する。
  論文  参考訳（メタデータ） (2026-07-06T15:59:18Z)
• 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)
• Programming long-range interactions in analog quantum simulators [39.364243535886985]
  長距離相互作用は多くの平衡現象と外平衡量子多体現象の源である。 我々は,このチューニング性を利用して,アナログシミュレータにおける多体状態準備を強化するハイブリッド型古典量子ツールボックスを開発した。 本研究は,次世代アナログ量子シミュレータのための強力なリソースとして,プログラマブルな長距離相互作用を確立した。
  論文  参考訳（メタデータ） (2026-04-24T12:06:38Z)
• Forked Physics Informed Neural Networks for Coupled Systems of Differential equations [1.7158443622461192]
  微分方程式(DE)の結合系のための分岐PINNフレームワークを提案する。 結合Dsにより制御される非マルコフ開量子力学のシミュレーションにおけるFPINNの有効性を実証する。 スピンボソンモデルとXXZモデルでは、FPINNは量子コヒーレンス復元や情報バックフローのようなマルコフでない特徴を正確に捉えている。
  論文  参考訳（メタデータ） (2026-02-16T08:32:59Z)
• 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)
• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• 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)
• Mitigating Barren Plateaus in Quantum Neural Networks via an AI-Driven Submartingale-Based Framework [3.0617189749929348]
  量子ニューラルネットワーク(QNN)におけるバレンプラトー(BP)の緩和を目的としたAdaInitを提案する。 AdaInitは、非無視的な勾配分散をもたらすQNNの初期パラメータを反復的に合成し、BPを緩和する。 AdaInit が様々な QNN スケールで高い勾配分散を維持するために既存の手法を一貫して上回っていることを実証的に検証する。
  論文  参考訳（メタデータ） (2025-02-17T05:57:15Z)
• 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)
• Compact Multi-Threshold Quantum Information Driven Ansatz For Strongly Interactive Lattice Spin Models [0.0]
  近似量子相互情報(QMI)に基づくアンザッツ建築の体系的手順を提案する。 提案手法は,QMI値に基づいて各層の量子ビット対が選択される層状アンサッツを生成し,より効率的な状態生成と最適化ルーチンを実現する。 その結果,Multi-QIDA法は高い精度を維持しながら計算複雑性を低減し,格子スピンモデルにおける量子シミュレーションに有望なツールであることがわかった。
  論文  参考訳（メタデータ） (2024-08-05T17:07:08Z)
• SupeRBNN: Randomized Binary Neural Network Using Adiabatic Superconductor Josephson Devices [44.440915387556544]
  AQFPデバイスはバイナリニューラルネットワーク(BNN)計算の優れたキャリアとして機能する。 本稿では,AQFPに基づくランダム化BNNアクセラレーションフレームワークSupeRBNNを提案する。 本稿では,ReRAMベースのBNNフレームワークのエネルギー効率を約7.8×104倍に向上することを示す。
  論文  参考訳（メタデータ） (2023-09-21T16:14:42Z)
• U-FNO -- an enhanced Fourier neural operator based-deep learning model for multiphase flow [43.572675744374415]
  多相フロー問題を解くための拡張フーリエニューラル演算子U-FNOを提案する。 U-FNOアーキテクチャは従来のCNNとオリジナルFNOの両方の利点があり、より正確で効率的な性能を提供する。 訓練されたU-FNOは、従来の数値シミュレータと比較して1万倍の速度でガス飽和と圧力上昇を予測する。
  論文  参考訳（メタデータ） (2021-09-03T17:52:25Z)

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。