کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946906 1439559 2017 29 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Learning in quantum control: High-dimensional global optimization for noisy quantum dynamics
ترجمه فارسی عنوان
یادگیری در کنترل کوانتومی: بهینه سازی جهانی با ابعاد بزرگ برای دینامیک کوانتومی پر سر و صدا
کلمات کلیدی
ترجمه چکیده
کنترل کوانتومی برای فن آوری های مختلف کوانتومی مانند دروازه های با وفاداری بالا برای محاسبات کوانتومی جهانی، مترولوژی پیشرفته کوانتومی انطباق و دستکاری اتمسفر فوق العاده سرد ارزشمند است. اگرچه به منظور کنترل پارامترهای کنترل در سیستم های کلاسیک به طور گسترده ای مورد استفاده قرار می گیرد، کنترل کوانتومی برای بهینه سازی پارامترها عمدتا از طریق الگوریتم های حریصانه مبتنی بر شیب، دنبال می شود. اگرچه چشم انداز تناسب اندام کوانتومی اغلب با الگوریتم های حریص سازگار است، گاهی اوقات الگوریتم های حریص نتایج بدی به خصوص در سیستم های بزرگ کوانتومی تولید می کنند. ما الگوریتم های تکاملی دیفرانسیل را برای رفع مشکل رکود بهینه سازی غیر محدب استفاده می کنیم. ما به وسیله به طور متوسط ​​بر عملکرد تابع هدف، کنترل وفاداری کوانتومی را برای سیستم های پر سر و صدایی بهبود می دهیم. برای کاهش هزینه های محاسباتی، ما اکتشافات را برای خاتمه زود هنگام اجرا و برای انتخاب سازگار از زیرپوشش جستجو معرفی می کنیم. پیاده سازی ما به طور گسترده ای موازی است و به منظور کاهش زمان اجرا حتی بیشتر می شود. ما روش های ما را با دو مثال، یعنی تخمین فاز کوانتومی و طراحی دروازه کوانتومی نشان می دهیم، که برای آن ما به وفاداری و مقیاس پذیری برتر دست می یابیم تا با استفاده از الگوریتم های حریص به دست آید.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Quantum control is valuable for various quantum technologies such as high-fidelity gates for universal quantum computing, adaptive quantum-enhanced metrology, and ultra-cold atom manipulation. Although supervised machine learning and reinforcement learning are widely used for optimizing control parameters in classical systems, quantum control for parameter optimization is mainly pursued via gradient-based greedy algorithms. Although the quantum fitness landscape is often compatible with greedy algorithms, sometimes greedy algorithms yield poor results, especially for large-dimensional quantum systems. We employ differential evolution algorithms to circumvent the stagnation problem of non-convex optimization. We improve quantum control fidelity for noisy system by averaging over the objective function. To reduce computational cost, we introduce heuristics for early termination of runs and for adaptive selection of search subspaces. Our implementation is massively parallel and vectorized to reduce run time even further. We demonstrate our methods with two examples, namely quantum phase estimation and quantum-gate design, for which we achieve superior fidelity and scalability than obtained using greedy algorithms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 268, 13 December 2017, Pages 116-126
نویسندگان
, , , , ,