Meta-learning characteristics and dynamics of quantum systems

要約

機械学習は量子技術に大きな期待を抱いていますが、現在の方法のほとんどは、特定の量子システムの予測または制御に焦点を当てています。
ただし、メタラーニングアプローチは、同様のシステムに関連付けられた以前のデータから得られた知識を活用することにより、利用可能なデータがほとんど利用できない新しいシステムに適応できます。
このホワイトペーパーでは、閉じた2レベルのシステム、およびハイゼンベルクモデルのメタラーンダイナミクスと特性と、特性をメタとしています。
さまざまなゲート電圧構成のGE/SIコア/シェルナノワイヤでホストされている損失-Divincenzoスピンキットの実験データに基づいて、Meta-Rearningを使用した$ G $ -FactorおよびRabi周波数、つまり$ G $ -FactorおよびRabi周波数を予測します。
紹介するアルゴリズムは、適応学習率と堅牢性の向上と計算効率の向上などの新しい技術を導入することにより、物理学ベースのシステムの以前の最新メタラーニング方法を改善します。
他のメタラーニング方法、バニラトランス、多層パーセプトロンに対して方法をベンチマークし、パフォーマンスの向上を示します。

要約(オリジナル)

While machine learning holds great promise for quantum technologies, most current methods focus on predicting or controlling a specific quantum system. Meta-learning approaches, however, can adapt to new systems for which little data is available, by leveraging knowledge obtained from previous data associated with similar systems. In this paper, we meta-learn dynamics and characteristics of closed and open two-level systems, as well as the Heisenberg model. Based on experimental data of a Loss-DiVincenzo spin-qubit hosted in a Ge/Si core/shell nanowire for different gate voltage configurations, we predict qubit characteristics i.e. $g$-factor and Rabi frequency using meta-learning. The algorithm we introduce improves upon previous state-of-the-art meta-learning methods for physics-based systems by introducing novel techniques such as adaptive learning rates and a global optimizer for improved robustness and increased computational efficiency. We benchmark our method against other meta-learning methods, a vanilla transformer, and a multilayer perceptron, and demonstrate improved performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google