Automatic re-calibration of quantum devices by reinforcement learning

要約

動作中、環境条件の変化により、デバイスは最適な設定からさまざまな形で調整が外れます。
通常、これは制御ループを通じて対処され、変数とデバイスのパフォーマンスを監視して設定を最適な値に維持します。
量子デバイスは、その機能がパラメータの正確な調整に依存しているため、特に困難です。
同時に、環境挙動の詳細なモデリングは多くの場合計算能力が高く、システムの状態を定義するパラメーターを直接測定するにはコストがかかり、メカニズムに余分なノイズが発生します。
この研究では、量子デバイスパラメータを継続的に再校正するためのモデルフリー制御ループを開発するための強化学習技術の応用を調査します。
さらに、最小限の環境騒音モデルを組み込む利点を探ります。
例として、ケネディ受信機ベースの長距離量子通信プロトコルの数値シミュレーションへの応用を示します。

要約(オリジナル)

During their operation, due to shifts in environmental conditions, devices undergo various forms of detuning from their optimal settings. Typically, this is addressed through control loops, which monitor variables and the device performance, to maintain settings at their optimal values. Quantum devices are particularly challenging since their functionality relies on precisely tuning their parameters. At the same time, the detailed modeling of the environmental behavior is often computationally unaffordable, while a direct measure of the parameters defining the system state is costly and introduces extra noise in the mechanism. In this study, we investigate the application of reinforcement learning techniques to develop a model-free control loop for continuous recalibration of quantum device parameters. Furthermore, we explore the advantages of incorporating minimal environmental noise models. As an example, the application to numerical simulations of a Kennedy receiver-based long-distance quantum communication protocol is presented.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google