論文の概要: Machine Learning-Based Characterisation of the Non-Markovian Dynamics of a Nitrogen-Vacancy Centre

• arxiv url: http://arxiv.org/abs/2608.27632v1
• Date: Thu, 27 Aug 2026 19:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.130955
• Title: Machine Learning-Based Characterisation of the Non-Markovian Dynamics of a Nitrogen-Vacancy Centre
• Title（参考訳）: 機械学習による窒素空力センターの非マルコフダイナミクスのキャラクタリゼーション
• Abstract要約: 我々は,NV中心ラビ力学からスペクトル密度パラメータを機械学習で再構成した最初の実験例を示す。 その結果,ニューラルネットワークが予測したモデルが推定ウィンドウ上でNVダイナミクスを確実に再現できることが示唆された。
• 参考スコア（独自算出の注目度）: 2.5202400042690045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The interaction between a quantum system and its environment can be characterized by the spectral density function: knowing its structure is important for optimizing applications of quantum technologies such as quantum sensing protocols. In this work, we present the first experimental demonstration of a machine learning-based reconstruction of reaction-coordinate spectral density parameters from NV centre Rabi dynamics. Unlike the previous work, we recover all spectral density parameters rather than only the central frequency, and benchmark the performance of the neural network against the Cramér-Rao bound and maximum likelihood estimator. Our results demonstrate that the model predicted by the neural network can reliably reproduce the NV dynamics over the estimation window, and can produce estimates for some parameters with variances comparable to that of maximum likelihood.
• Abstract（参考訳）: 量子システムと環境の間の相互作用は、スペクトル密度関数によって特徴づけられる:その構造を知ることは、量子センシングプロトコルのような量子技術の応用を最適化するのに重要である。 本研究では,NV中心ラビ力学からの反応座標スペクトル密度パラメータを機械学習で再構成した最初の実験例を示す。 従来の研究とは異なり、中央周波数だけでなく全てのスペクトル密度パラメータを復元し、ニューラルネットワークの性能をクラメロ・ラオ境界と最大可能性推定器に対してベンチマークする。 その結果,ニューラルネットワークが予測したモデルは推定ウィンドウ上でNVダイナミクスを確実に再現することができ,最大値に匹敵するばらつきを持つパラメータを推定できることがわかった。

関連論文リスト

• Deciphering Neural Reparameterized Full-Waveform Inversion with Neural Sensitivity Kernel and Wave Tangent Kernel [67.14508461124932]
  フルウェーブフォーム・インバージョン(FWI)は、限られた境界測定から波動方程式の未知のパラメータを推定する。 ニューラルリパラメータ化FWI(NeurFWI)の最近の進歩は、ニューラルネットワークを用いたパラメータを表現することによって、高品質な初期モデルとウェーブフィールドデータへの依存を減らすことができることを示している。 本研究では,ニューラル・センシティブ・カーネル (NSK) とウェーブ・タンジェント・カーネル (WTK) を構築し,それらの収束挙動をモデル領域とデータ領域の両方から解析する。
  論文  参考訳（メタデータ） (2026-05-14T04:49:23Z)
• Neural network quantum states in the grand canonical ensemble [0.4369550829556578]
  フォック空間における対称ボソニック波動関数を表現できる量子状態アーキテクチャを提案する。 提案手法は,実用大標準系におけるキー測定可能な量の数値予測への扉を開く。
  論文  参考訳（メタデータ） (2026-05-08T14:18:11Z)
• Learning spectral density functions in open quantum systems [0.0]
  ノイズデータからスペクトル密度関数を再構成するために, 純劣化チャネルと振幅減衰チャネルを備えた正確に解像可能なスピンボソンモデルを用いる。 我々のニューラルネットワークは、ノイズ信号のフィルタリングと一般的な機能的依存関係の学習によって、構造化された密度を頑健に再構築する。
  論文  参考訳（メタデータ） (2026-02-27T14:45:59Z)
• Enhanced multiparameter quantum estimation in cavity magnomechanics via a coherent feedback loop [0.0]
  ハイブリッドキャビティマグノンの機械的プラットフォームにおける光子マグノンとマグノンの力学的結合強度の同時定量化を効果的かつ実験的に実現する手法を提案する。 システムとフィードバックパラメータの適切なチューニングにより、双方の結合強度に関連する推定誤差が大幅に低減されることを示す。
  論文  参考訳（メタデータ） (2026-02-16T12:22:33Z)
• Squeezed-Light-Enhanced Multiparameter Quantum Estimation in Cavity Magnonics [0.0]
  本研究では,キャビティ-マグノン系におけるパラメータの同時推定精度を向上させるための実験的現実的手法を提案する。 システムに非線形性を導入すると、量子ノイズが著しく抑制されることを示す。
  論文  参考訳（メタデータ） (2026-01-20T10:13:59Z)
• A machine learning based approach to the identification of spectral densities in quantum open systems [39.58317527488534]
  オープン量子システムの力学に影響を与える環境を特徴付けるための機械学習に基づく手法を提案する。 我々は、スペクトル密度で強みを符号化したシステムと環境の相互作用が純粋に劣化を引き起こす、正確に解けるスピン-ボソンモデルの場合に焦点を当てる。
  論文  参考訳（メタデータ） (2025-07-18T08:23:15Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)

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。