論文の概要: Adaptive Dissipative State Preparation through Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.31370v1
• Date: Fri, 25 Sep 2026 15:07:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.449323
• Title: Adaptive Dissipative State Preparation through Reinforcement Learning
• Title（参考訳）: 強化学習による適応的散逸状態準備
• Abstract要約: 散逸性アルゴリズムは、大規模で低温の熱環境と接触する量子系の自然熱化を模倣することにより、基底状態の準備の問題にアプローチする。 本稿では,単発強化学習を用いた散逸アルゴリズムRL-Adaptを適応的に実装し,アンシラ周波数とシステムバス相互作用演算子の選択を最適化する。
• 参考スコア（独自算出の注目度）: 1.1631523342292318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dissipative algorithms approach the problem of ground state preparation by mimicking the natural thermalization of a quantum system in contact with a large, low-temperature thermal environment. The environment can be efficiently simulated by a single ancilla qubit with a variable energy gap that is repeatedly coupled to the system qubits to generate a dissipative channel, and then reset after each interaction. Here we present an adaptive implementation of the dissipative algorithm, RL-Adapt, that uses single-shot reinforcement learning to optimize the selection of ancilla frequency and system-bath interaction operator to maximize energy dissipation without relying on a priori knowledge of the system spectrum. The adaptive implementation results in significantly reduced convergence times and can successfully find the ground state even for non-ideal operator pools that fail to converge using non-adaptive, uniform random operator and ancilla frequency selection.
• Abstract（参考訳）: 散逸性アルゴリズムは、大規模で低温の熱環境と接触する量子系の自然熱化を模倣することにより、基底状態の準備の問題にアプローチする。 環境は、システムキュービットに繰り返し結合された可変エネルギーギャップを持つ単一アンシラキュービットによって効率的にシミュレートされ、消散チャネルを生成し、各相互作用後にリセットされる。 本稿では、単発強化学習を用いて、アンシラ周波数とシステムバス相互作用演算子の選択を最適化し、システムスペクトルの事前知識に頼ることなく、エネルギー散逸を最大化する散逸アルゴリズムRL-Adaptの実装について述べる。 適応的な実装はコンバージェンス時間を著しく短縮し、非適応的で均一なランダムな演算子とアンシラ周波数選択を用いて収束できない非理想的演算子プールにおいても基底状態を見つけることができる。

関連論文リスト

• High-Fidelity Scalable Quantum State Preparation via the Fusion Method [0.9786690381850356]
  Rodeo Algorithm (RA) は、目標固有状態への指数収束を提供するが、初期状態と所望固有状態との重なりが低い場合、性能が低下する。 本稿では,この制限を克服するために,断熱ランプによるRA状態を前提とした融合法を提案する。
  論文  参考訳（メタデータ） (2025-10-21T19:43:07Z)
• 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)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Effective Hamiltonian approach to the exact dynamics of open system by complex discretization approximation for environment [0.0]
  複素ガウス二次関数に基づく複素周波数空間への離散化近似法の一般化を提案する。 有効ハミルトニアンは非エルミート的であり、負の虚部を持つ複素エネルギーモードを証明できる。
  論文  参考訳（メタデータ） (2023-03-12T05:34:29Z)
• Effective implementation of $l_0$-Regularised Compressed Sensing with Chaotic-Amplitude-Controlled Coherent Ising Machines [1.8287426976997025]
  圧縮センシングの最適化問題を解くために,量子古典ハイブリッドシステムを提案する。 ハイブリッドシステムでは、CIMは振幅制御フィードバックループを持たないオープンループシステムであった。 本研究は,精度の向上と幅広い有効性を示すものである。
  論文  参考訳（メタデータ） (2023-02-24T09:16:48Z)
• An Adaptive Gradient Method with Energy and Momentum [0.0]
  目的関数の勾配に基づく最適化のための新しいアルゴリズムを提案する。 この方法は実装が簡単で、計算効率が良く、大規模機械学習問題に適している。
  論文  参考訳（メタデータ） (2022-03-23T04:48:38Z)
• Fully differentiable optimization protocols for non-equilibrium steady states [7.862208848127913]
  本稿では,リウィリアンの任意のパラメータに対して定常状態解を微分可能な,自動微分に基づく新しい手法を提案する。 我々の手法はメモリコストが低く、定常状態を計算するための正確なアルゴリズムとは無関係である。 また,非コヒーレント光励起速度の関数として,自然光下でのエネルギー移動の定常状態の感度解析を行った。
  論文  参考訳（メタデータ） (2021-03-23T15:00:29Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。