論文の概要: Continuous Quantum Feedback Control via Kraus-Parameterized Belief Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2608.15715v1
- Date: Sun, 16 Aug 2026 12:37:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.400363
- Title: Continuous Quantum Feedback Control via Kraus-Parameterized Belief Reinforcement Learning
- Title（参考訳）: クラスパラメータ化された信念強化学習による連続量子フィードバック制御
- Abstract要約: 量子フィードバック制御は、基礎となる量子状態に直接アクセスすることなく、ノイズの多い連続的な測定記録に作用する必要がある。
我々は,Stiefel多様体に制約された再帰エンコーダが,構成によって正の半有限かつトレース正規化が保証される密度行列推定を生成するパイプラインであるKraus-ized Belief Reinforcement Learningを提案する。
プロキシポリシー最適化(PPO)アクターは、これらの物理的に有効な信念状態を連続的な制御アクションにマッピングする。
シミュレーションされた連続監視量子ビット上では、結果のポリシは安定なフィードバック制御を実現し、測定条件付き信念の忠実度は約0.77-0.80を維持し、かなり低いリターン分散を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum feedback control requires acting on noisy continuous measurement records without direct access to the underlying quantum state. We propose Kraus-Parameterized Belief Reinforcement Learning, a pipeline in which a recurrent encoder, constrained to the Stiefel manifold, produces density-matrix estimates that are guaranteed positive-semidefinite and trace-normalized by construction, embedding quantum state geometry directly into the learning loop. A Proximal Policy Optimization (PPO) actor then maps these physically valid belief states to continuous control actions. On a simulated continuously monitored qubit, the resulting policy achieves stable feedback control, maintaining a measurement-conditioned belief fidelity of approximately 0.77-0.80 and exhibiting substantially lower return variance than a parameter-matched LSTM-history baseline across both nominal and out-of-distribution conditions. Although gains in raw target fidelity are modest, the geometric constraint guarantees a physically valid, interpretable belief representation and yields markedly more stable control under measurement inefficiency and abrupt dynamics switches. These results indicate that physics-informed neural memory is a practical inductive bias for reliable quantum feedback control.
- Abstract（参考訳）: 量子フィードバック制御は、基礎となる量子状態に直接アクセスすることなく、ノイズの多い連続的な測定記録に作用する必要がある。
我々は、Stiefel多様体に制約された再帰エンコーダが、構成によって正の半有限かつトレース正規化を保証された密度行列推定を生成し、量子状態幾何学を直接学習ループに埋め込むパイプラインであるKraus-Parameterized Belief Reinforcement Learningを提案する。
プロキシポリシー最適化(PPO)アクターは、これらの物理的に有効な信念状態を連続的な制御アクションにマッピングする。
シミュレーションされた連続的な量子ビット上では、測定条件付き信念の忠実度を約0.77-0.80に維持し、パラメータマッチングされたLSTM-ヒストリーベースラインよりも、名目的およびアウト・オブ・ディストリビューション条件でかなり低いリターン分散を示す、安定したフィードバック制御を実現する。
原目標忠実度のゲインは穏やかであるが、幾何的制約により物理的に妥当で解釈可能な信念表現が保証され、測定不効率および急激なダイナミクススイッチの下では、より安定した制御が顕著に得られる。
これらの結果は、物理インフォームド・ニューラルメモリは、信頼性の高い量子フィードバック制御のための実用的な帰納バイアスであることを示している。
関連論文リスト
- Kraus Constrained Sequence Learning For Quantum Trajectories from Continuous Measurement [0.0]
本稿では,ジェネリックシークエンスバックボーンの隠れ表現を正のトレース保存(CPTP)量子演算に変換するクラス構造出力層を提案する。
すべてのモデルにおいて、Kraus-LSは最強の結果を達成し、制約のないモデルに比べて、状態推定品質を7%向上させる。
論文 参考訳（メタデータ） (2026-03-05T18:37:05Z) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - Verifying Closed-Loop Contractivity of Learning-Based Controllers via Partitioning [52.23804865017831]
本稿では,ニューラルネットワークによるパラメータ化を行う非線形制御系における閉ループ収縮の検証問題に対処する。
我々は、対称メッツラー行列の優越的固有値が非正であることを確かめるために、閉ループの縮約性に対するトラクタブルでスケーラブルな十分条件を導出する。
論文 参考訳（メタデータ） (2025-12-01T23:06:56Z) - Reinforcement Learning Control of Quantum Error Correction [108.70420561323692]
量子コンピュータは、エラーから直接自己改善することを学び、決してコンピューティングを止めない。
この研究によって新しいパラダイムが実現された: 量子コンピュータは、そのエラーから直接自己改善を学び、決してコンピューティングを止めない。
論文 参考訳（メタデータ） (2025-11-11T17:32:25Z) - Stabilization of Time-Varying Perturbed Quantum Systems via Reduced Filters [9.742034542708145]
本稿では,量子フィルタの低減に基づくフィードバック安定化戦略を提案する。
提案フィルタは, 系の密度行列の対角要素に対応するO(N)実変数のみを, 量子的非退化基底で推定する。
論文 参考訳（メタデータ） (2025-11-11T08:01:31Z) - Noise-Canceling Quantum Feedback: non-Hermitian Dynamics with Applications to State Preparation and Magic State Distillation [0.6749750044497732]
時間連続量子測定は、短時間かつ個人的に弱い測定間隔のシーケンスを通じて、量子システムのリアルタイムな追跡を可能にする。
拡散量子軌道を考察し,フィードバックプロトコルの「ノイズキャンセリング」部分集合に着目した。
このようなフィードバック操作のクラスを導出し、純粋状態の理想的な仮定、単位測定効率、フィードバック操作の実行時の時間遅延がゼロであることを示し、完全なノイズキャンセリングフィードバックが常に存在することを示す。
論文 参考訳（メタデータ） (2025-07-08T02:43:32Z) - Quantum sensing of displacements with stabilized GKP states [41.94295877935867]
本稿では,2つの四面体変位センサの推定に,Gottesman-Kitaev-Preskill状態の安定化のためのプロトコルをどのように利用できるかを示す。
この安定化のおかげで、このセンサーはバックアクションを回避し、リセットせずに連続的に機能し、イテナント信号の検出に適している。
論文 参考訳（メタデータ） (2025-06-25T17:18:50Z) - Quantum Fidelity Estimation in the Resource Theory of Nonstabilizerness [11.386506926570442]
ノイズの多い量子デバイス上での 量子状態とプロセスのベンチマークには 忠実度推定が不可欠です
我々は,非安定化器性に関する資源理論において,量子状態とチャネルの両方の効率的なプロトコルを提案する。
論文 参考訳（メタデータ） (2025-06-15T18:51:09Z) - Dynamic Estimation Loss Control in Variational Quantum Sensing via Online Conformal Inference [39.72602887300498]
現在の変分量子センシング法は厳密な性能保証を欠いている。
本稿では,パラメータの変動を動的に更新するオンラインVQS制御フレームワークを提案する。
量子磁気学タスクの実験では、提案された動的VQSアプローチが、正確な推定をしながら、時間とともに必要な信頼性を維持していることを確認した。
論文 参考訳（メタデータ） (2025-05-29T12:19:07Z) - Target Networks and Over-parameterization Stabilize Off-policy Bootstrapping with Function Approximation [46.48569176651487]
オフ・プライシ・データにおいても,ブートストラップ値推定の収束条件が弱くなることを証明する。
計算結果をトラジェクトリによる学習に拡張し、小さな修正を施した全てのタスクに対して収束が達成可能であることを示す。
論文 参考訳（メタデータ） (2024-05-31T17:36:16Z) - No-Collapse Accurate Quantum Feedback Control via Conditional State
Tomography [0.0]
測定ベースフィードバック制御(MBFC)プロトコルの有効性は,測定ノイズの存在によって阻害される。
本研究は、条件力学のノイズフリーモニタリングを可能にするリアルタイム連続状態推定手法について検討する。
このアプローチは強化学習(RL)に基づく制御において特に有用であり、RLエージェントは任意の条件付き観測値でトレーニングすることができる。
論文 参考訳（メタデータ） (2023-01-18T01:28:23Z) - Gradient Ascent Pulse Engineering with Feedback [0.0]
本稿では,モデルなし強化学習の概念を取り入れたフィードバック-GRAPEを提案する。
本手法は,ノイズの存在下での状態調整と安定化のための解釈可能なフィードバック戦略を導出する。
論文 参考訳（メタデータ） (2022-03-08T18:46:09Z)
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。