論文の概要: Adaptive AI for Pulse-Level Quantum Control
- arxiv url: http://arxiv.org/abs/2609.08727v1
- Date: Tue, 08 Sep 2026 13:25:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 15:53:41.311913
- Title: Adaptive AI for Pulse-Level Quantum Control
- Title（参考訳）: パルスレベル量子制御のための適応AI
- Abstract要約: ディープQ学習ネットワークに基づく強化学習エージェントが,高性能なパルス列を自律的に発見できることが示される。
その結果、適応学習はパルスレベルの量子制御のための有望なハードウェア対応フレームワークとして注目される。
- 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: The Control Variational Quantum Eigensolver (ctrl-VQE) directly optimizes microwave pulses to enable faster and lower-error quantum-state preparation, but its continuous control landscape re- quires efficient search strategies. We demonstrate that a reinforcement-learning agent based on a deep Q learning network can autonomously discover high-performance pulse sequences using only system parameters and a reward function. The approach is fully general for superconducting qubit platforms, requires no ansatz, and operates at nanosecond resolution compatible with hardware con- straints. As a proof of concept, we apply the method to ground-state preparation of the Hydrogen molecule on a simulated superconducting device. The agent consistently identifies optimized control sequences that achieve high fidelity and outperform random-search baselines. These results highlight adaptive learning as a promising hardware-ready framework for pulse-level quantum control.
- Abstract（参考訳）: Control Variational Quantum Eigensolver (ctrl-VQE) はマイクロ波パルスを直接最適化し、高速で低速な量子状態の準備を可能にするが、連続的な制御ランドスケープは効率的な探索戦略を再確立する。
深層Q学習ネットワークに基づく強化学習エージェントは,システムパラメータと報酬関数のみを用いて,自律的に高性能なパルス列を検出できることを実証する。
アプローチは超伝導量子ビットプラットフォームに完全に汎用的であり、アンザッツは必要とせず、ハードウェアコンストラットと互換性のあるナノ秒の解像度で動作する。
本手法をシミュレーション超伝導デバイス上での水素分子の地中調製に応用する。
エージェントは、高い忠実度と優れたランダム検索ベースラインを達成する最適化された制御シーケンスを一貫して識別する。
これらの結果は、パルスレベルの量子制御のための有望なハードウェア対応フレームワークとして適応学習を強調している。
関連論文リスト
- Inverse Design of Quantum Control Sequences with Fourier Neural Operators [57.63590760083204]
高次元分子量子力学を学習するためのフーリエニューラル演算子(FNO)に基づくフレームワークを提案する。
我々は,初期混合ボルツマン分布を浄化するパルス列を構成するFNO-SPMP(FNO-SPMP)を開発した。
共有離散制御空間において、FNO-SPMPは強化学習ベースラインの成功率の2倍近くを達成する。
論文 参考訳（メタデータ） (2026-08-04T14:06:59Z) - Intelligent Optimal Control of Rydberg Gates with Incremental-Update Deep Reinforcement Learning [10.771205594997445]
本稿では,高速かつ高忠実なRydberg制御NOTゲートを実現するためのDRLベースのフレームワークについて述べる。
段階的に更新された学習ポリシーを導入することで、制御環境の探索を効果的に調整する。
提案プロトコルは, 従来手法を著しく上回り, 耐故障しきい値を超え, 0.9991 のピーク平均忠実度を実現している。
論文 参考訳（メタデータ） (2026-05-06T08:15:59Z) - Towards Real-time Control of a CartPole System on a Quantum Computer [1.0260880679794957]
この研究は、CartPoleベンチマークに適用された最小のハイブリッド量子古典エージェントのエンドツーエンド調査を示す。
本研究では,シングルキュービットエージェントが効果的な学習モデルとして機能し,従来のアクター・クリティック・ネットワークよりもはるかに少ないエピソードで環境を解決できることを実証する。
論文 参考訳（メタデータ） (2026-05-03T05:18:02Z) - Adaptive Tensor Network Sampling for Quantum Optimal Control [0.0]
量子最適制御(QOC)は、単一量子システムにおける高忠実度演算を実現するためのフレームワークを提供する。
2つのカテゴリ: 勾配のない製品サンプリングアルゴリズム、a自由勾配状態/テンスペア(MPS/TT)を導入する。
提案手法では, 離散制御パラメータの空間上のスコア関数を定義し, サンプリング分布候補制御列を誘導する。
論文 参考訳（メタデータ） (2026-04-27T13:36:00Z) - Data-Driven Qubit Characterization and Optimal Control using Deep Learning [0.0]
本稿では、勾配の評価と複雑なシステムダイナミクスのモデル化という課題に対処する機械学習ベースのプロトコルを提案する。
量子ビットの振る舞いを予測するためにリカレントニューラルネットワーク(RNN)をトレーニングすることにより、詳細なシステムモデルを必要としない、効率的な勾配に基づくパルス最適化を実現する。
論文 参考訳（メタデータ） (2026-01-26T17:26:20Z) - The Quantum Control Hierarchy: When Physics-Informed Design Meets Machine Learning [0.6053648545114841]
我々は、様々なオープンループプロトコルや高度な適応手法を含む、幅広い量子制御戦略に対処する。
絡み合い保存のためには、物理インフォームドなハイブリッド量子エラー補正と動的デカップリングプロトコルが最も安定で効果的な解を提供する。
DD、フロケットエンジニアリング、急激な絡み合い生成やコヒーレントトランスポートといった非自明な制御シーケンスの発見を必要とする動的なタスクに対して、モデルフリーの強化学習エージェントは、常に優れたソリューションを見つけ出す。
論文 参考訳（メタデータ） (2025-09-16T08:56:11Z) - 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) - TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。
これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - Pulse-controlled qubit in semiconductor double quantum dots [57.916342809977785]
単一電子電荷量子ビットの量子制御のための数値最適化多パルスフレームワークを提案する。
新規な制御方式は、キュービットを断熱的に操作すると同時に、高速で一般的な単一キュービット回転を行う能力も保持する。
論文 参考訳（メタデータ） (2023-03-08T19:00:02Z) - Direct pulse-level compilation of arbitrary quantum logic gates on superconducting qutrits [36.30869856057226]
任意のqubitおよびqutritゲートを高忠実度で実現でき、ゲート列の長さを大幅に削減できることを示す。
最適制御ゲートは少なくとも3時間ドリフトでき、同じ校正パラメータを全ての実装ゲートに利用できることを示す。
論文 参考訳（メタデータ） (2023-03-07T22:15:43Z) - Optimal quantum control via genetic algorithms for quantum state
engineering in driven-resonator mediated networks [68.8204255655161]
進化的アルゴリズムに基づく量子状態工学には、機械学習によるアプローチを採用しています。
我々は、単一のモード駆動マイクロ波共振器を介して相互作用する、量子ビットのネットワーク(直接結合のない人工原子の状態に符号化された)を考える。
アルゴリズムは理想的なノイズフリー設定で訓練されているにもかかわらず、高い量子忠実度とノイズに対するレジリエンスを観測する。
論文 参考訳（メタデータ） (2022-06-29T14:34:00Z) - Extending XACC for Quantum Optimal Control [70.19683407682642]
量子コンピューティングベンダーは、直接パルスレベルの量子制御のためのアプリケーションプログラミングをオープンにし始めている。
本稿では,XACCシステムレベルの量子古典ソフトウェアフレームワークの拡張について述べる。
この拡張により、デジタル量子回路表現を等価なパルスシーケンスに変換することができる。
論文 参考訳（メタデータ） (2020-06-04T13:13:55Z)
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。