論文の概要: Quantum control of solid state qubits via Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2610.21987v1
• Date: Thu, 15 Oct 2026 14:36:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.131687
• Title: Quantum control of solid state qubits via Reinforcement Learning
• Title（参考訳）: 強化学習による固体量子ビットの量子制御
• Abstract要約: 状態準備とキュービットゲート設計のためのモデルフリーRLの性能をシミュレーションベースで解析する。 観測可能な最小限の環境と雑音とスパース報酬を用いたシミュレーションによりRLエージェントの性能を解析する。
• 参考スコア（独自算出の注目度）: 0.0021808911997182007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of reinforcement learning (RL) in the design of quantum control strategies for pulse level control of NISQ era quantum devices is attracting growing interest. Model-free RL, not requiring preexisting knowledge of the physical system, acts as a black-box optimization tool well suited for noisy devices. In this work, we provide a simulation-based analysis of the performance of model-free RL for state preparation and qubit gate design in a challenging setup: indirect control of NV nuclear spins in a spin-bath. In particular, the spin-bath is modeled via the generalized cluster correlation expansion accounting for magnetic impurities and intra-bath interactions. We analyze the performance of the RL agents by performing simulations with minimally observable environments and noisy, sparse rewards as introduced in (Phys. Rev. X 12, 011059), and compare them to other state-of-the-art black-box optimization tools.
• Abstract（参考訳）: NISQ時代の量子デバイスにおけるパルスレベル制御のための量子制御戦略の設計における強化学習(RL)の利用が注目されている。 モデルフリーのRLは、物理系の知識を必要とせず、ノイズの多いデバイスに適したブラックボックス最適化ツールとして機能する。 本研究では,スピンバスにおけるNV核スピンの間接制御という,状態準備と量子ゲート設計のためのモデルフリーRLの性能のシミュレーションに基づく解析を行う。 特にスピンバスは、磁気不純物およびバス内相互作用を考慮した一般化クラスタ相関展開によってモデル化される。 我々は、最小限の観測可能な環境とノイズ、スパース報酬(Phys. X 12, 011059)を用いてシミュレーションを行い、RLエージェントの性能を分析し、これらを最先端のブラックボックス最適化ツールと比較する。

関連論文リスト

• 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)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• 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)
• Qumode-Based Variational Quantum Eigensolver for Molecular Excited States [43.148034499498586]
  分子励起状態を計算するためのハイブリッド量子古典アルゴリズムであるQumode Subspace Variational Quantum Eigensolver (QSS-VQE)を紹介する。 本研究では, ジヒドロゲンおよびシトシンの円錐交差を含む分子励起状態のシミュレーションによるQSS-VQEの性能を示す。
  論文  参考訳（メタデータ） (2025-09-05T00:53:51Z)
• Sample-Efficient Reinforcement Learning of Koopman eNMPC [42.72938925647165]
  強化学習は、データ駆動(経済)非線形モデル予測コントローラ((e)NMPC)を、特定の制御タスクにおける最適な性能に調整するために使用することができる。 モデルに基づくRLアルゴリズムと、Koopman (e)NMPCを自動微分可能なポリシーに変換する方法を組み合わせる。
  論文  参考訳（メタデータ） (2025-03-24T15:35:16Z)
• Quantum noise modeling through Reinforcement Learning [38.47830254923108]
  本稿では,量子チップに影響を及ぼすノイズを特徴付ける機械学習手法を導入し,シミュレーション中にエミュレートする。 我々のアルゴリズムは強化学習を活用し、様々なノイズモデルを再現する際の柔軟性を向上させる。 実超伝導量子ビット上でのシミュレーションおよび試験によりRLエージェントの有効性が検証された。
  論文  参考訳（メタデータ） (2024-08-02T18:05:21Z)
• Stochastic Security as a Performance Metric for Quantum-enhanced Generative AI [0.0]
  深部エネルギーベースモデル(EBM)は、トレーニングと推論の両方で連続ドメインギブをサンプリングする必要がある。 量子ギブスサンプリングアルゴリズムを実行できるフォールトトレラントな量子コンピュータの代わりに、モンテカルロ法による拡散過程のシミュレーションを古典的な代替として利用する。 その結果,ギブスサンプリングの計算予算の増大は,モデルのキャリブレーションと対角ロバスト性を両立させることがわかった。
  論文  参考訳（メタデータ） (2023-05-13T17:33:01Z)
• Model predictive control for robust quantum state preparation [4.069849286089743]
  量子制御のためのモデル予測制御(MPC)を導入する。 MPCは、測定フィードバックを取り入れることで、自然の障害拒絶の程度を継承する。 実用的な最適化制御シーケンスを生成するために, MPC をどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2022-01-14T00:55:41Z)
• Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
  我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。 これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。 シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
  論文  参考訳（メタデータ） (2021-05-20T17:06:52Z)
• Model-Free Quantum Control with Reinforcement Learning [0.0]
  本研究では,量子制御タスクにおける強化学習エージェントをモデル無しで学習するための回路ベースアプローチを提案する。 実験可能な観測機器の測定値を用いて学習エージェントに報奨を与える方法を示す。 このアプローチは、サンプル効率の観点から、広く使われているモデルフリーメソッドよりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-04-29T17:53:26Z)

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。