Deep Reinforcement Learning für die Quantenzustandsvorbereitung mit schwachen nichtlinearen Messungen PlatoBlockchain Data Intelligence. Vertikale Suche. Ai.

Deep Reinforcement Learning für die Quantenzustandsvorbereitung mit schwachen nichtlinearen Messungen

Zeitstempel: 28. Juni 2022, 7:43 Uhr

Riccardo Porotti1,2, Antoine Essig3, Benjamin Huard3 und Florian Marquardt1,2

1Max-Planck-Institut für die Physik des Lichts, Erlangen, Deutschland
2Institut für Physik, Friedrich-Alexander-Universität Erlangen-Nürnberg, Deutschland
3Universität Lyon, ENS de Lyon, CNRS, Laboratoire de Physique, F-69342 Lyon, Frankreich

Findest du dieses Paper interessant oder möchtest du darüber diskutieren? Scite oder hinterlasse einen Kommentar zu SciRate.

Abstrakt

Quantenkontrolle ist in den letzten Jahren zunehmend interessant geworden, zB für Aufgaben wie Zustandsinitialisierung und -stabilisierung. Feedback-basierte Strategien sind besonders leistungsfähig, aber aufgrund des exponentiell vergrößerten Suchraums auch schwer zu finden. Deep Reinforcement Learning ist in dieser Hinsicht vielversprechend. Es kann neue Antworten auf schwierige Fragen liefern, z. B. ob nichtlineare Messungen eine lineare, eingeschränkte Steuerung kompensieren können. Hier zeigen wir, dass Reinforcement Learning solche Feedback-Strategien ohne Vorkenntnisse erfolgreich entdecken kann. Wir veranschaulichen dies für die Zustandsvorbereitung in einem Resonator, der einer Quanten-Nicht-Demolierungs-Detektion der Photonenzahl unterliegt, mit einem einfachen linearen Antrieb als Steuerung. Fock-Zustände können mit sehr hoher Genauigkeit erzeugt und stabilisiert werden. Es ist sogar möglich, Überlagerungszustände zu erreichen, sofern die Messraten für verschiedene Fock-Zustände ebenfalls gesteuert werden können.

Ausgewähltes Bild: Schematische Darstellung des RL-Algorithmus. Der RL-Agent kann nur eine einfache lineare Steuerung, in unserem Fall eine Verschiebung, auf einen Quantenzustand in einem Hohlraum anwenden. Die nichtlineare schwache Messung ermöglicht es dem Agenten, das System zu komplexen Überlagerungen zu treiben. Hier wird die Wigner-Funktion von $frac{|1rangle+|3rangle}{sqrt{2}}$ gezeigt. Der RL-Agent wird mit einem vorwärtsgerichteten neuronalen Netzwerk modelliert.

Populäre Zusammenfassung

Quantenkontrolle hat in den letzten Jahren vor allem durch die Verbreitung von Quantencomputern eine große Relevanz erlangt. Der Umgang mit Rückkopplungen bei der Quantenkontrolle (dh die Verwendung von Messungen zur Steuerung der Dynamik) ist besonders schwierig, da die Kontrollmöglichkeiten exponentiell groß werden. Das hier untersuchte System kann als Hohlraum modelliert werden, der schwach gemessen werden kann, um partielle Informationen über jedes Energieniveau zu erhalten. Um Quantenzustände in einem solchen Hohlraum vorzubereiten und zu stabilisieren, verwenden wir Reinforcement Learning (RL). RL ist ein Zweig des maschinellen Lernens, der sich mit Steuerungsproblemen befasst. In einem RL-Framework versucht der Algorithmus, eine objektive Funktion (in diesem Fall die Wiedergabetreue) zu maximieren, indem er über einen Trial-and-Error-Prozess mit dem System interagiert. In dieser Arbeit gelingt es RL, komplexe Überlagerungen des Fock-Zustands in der Kavität mit nur sehr begrenzter linearer Kontrolle herzustellen. Der RL-Agent lernt auch, Quantenzustände gegen verschiedene Formen des Zerfalls zu stabilisieren.

► BibTeX-Daten

► Referenzen

[1] Navin Khaneja, Timo Reiss, Cindie Kehlet, Thomas Schulte-Herbrüggen und Steffen J. Glaser. "Optimale Kontrolle der gekoppelten Spindynamik: Design von NMR-Pulssequenzen durch Gradientenaufstiegsalgorithmen". Journal of Magnetic Resonance 172, 296–305 (2005).
https: / / doi.org/ 10.1016 / j.jmr.2004.11.004

[2] P. de Fouquieres, SG Schirmer, SJ Glaser und Ilya Kuprov. "Gradientenaufstiegsimpulstechnik zweiter Ordnung". Journal of Magnetic Resonance 212, 412–417 (2011).
https: / / doi.org/ 10.1016 / j.jmr.2011.07.023

[3] AC Doherty und K. Jacobs. „Rückkopplungskontrolle von Quantensystemen durch kontinuierliche Zustandsschätzung“. Phys. Rev. A 60, 2700–2711 (1999).
https: / / doi.org/ 10.1103 / PhysRevA.60.2700

[4] Pavel Bushev, Daniel Rotter, Alex Wilson, François Dubin, Christoph Becher, Jürgen Eschner, Rainer Blatt, Viktor Steixner, Peter Rabl und Peter Zoller. „Feedback-Kühlung eines einzelnen gefangenen Ions“. Phys. Rev. Lett. 96, 043003 (2006).
https://doi.org/ 10.1103/physrevlett.96.043003

[5] Howard M. Wiseman und Gerard J. Milburn. „Quantenmessung und -steuerung“. Cambridge University Press. Cambridge (2009).
https: / / doi.org/ 10.1017 / CBO9780511813948

[6] GG Gillett, RB Dalton, BP Lanyon, MP Almeida, M. Barbieri, GJ Pryde, JL O'Brien, KJ Resch, SD Bartlett und AG White. "Experimentelle Feedback-Steuerung von Quantensystemen mit schwachen Messungen". Phys. Rev. Lett. 104, 080503 (2010).
https://doi.org/ 10.1103/physrevlett.104.080503

[7] Clément Sayrin, Igor Dotsenko, Xingxing Zhou, Bruno Peaudecerf, Théo Rybarczyk, Sébastien Gleyzes, Pierre Rouchon, Mazyar Mirrahimi, Hadis Amini, Michel Brune, Jean-Michel Raimond und Serge Haroche. „Echtzeit-Quantenrückkopplung bereitet Photonenzahlzustände vor und stabilisiert sie“. Natur 477, 73–77 (2011).
https: / / doi.org/ 10.1038 / nature10376

[8] P. Campagne-Ibarcq, E. Flurin, N. Roch, D. Darson, P. Morfin, M. Mirrahimi, MH Devoret, F. Mallet und B. Huard. „Anhaltende Kontrolle eines supraleitenden Qubits durch stroboskopisches Mess-Feedback“. Phys. Rev. X 3, 021008 (2013).
https: / / doi.org/ 10.1103 / physrevx.3.021008

[9] Nissim Ofek, Andrei Petrenko, Reinier Heeres, Philip Reinhold, Zaki Leghtas, Brian Vlastakis, Yehan Liu, Luigi Frunzio, SM Girvin, L. Jiang, Mazyar Mirrahimi, MH Devoret und RJ Schoelkopf. „Verlängerung der Lebensdauer eines Quantenbits durch Fehlerkorrektur in supraleitenden Schaltungen“. Natur 536, 441–445 (2016).
https: / / doi.org/ 10.1038 / nature18949

[10] Massimiliano Rossi, David Mason, Junxin Chen, Yeghishe Tsaturyan und Albert Schliesser. „Messtechnische Quantenkontrolle mechanischer Bewegung“. Natur 563, 53–58 (2018).
https:/​/​doi.org/​10.1038/​s41586-018-0643-8

[11] Shay Hacohen-Gourgy und Leigh S. Martin. „Kontinuierliche Messungen zur Kontrolle supraleitender Quantenschaltkreise“. Fortschritte in der Physik: X 5, 1813626 (2020). arXiv:2009.07297.
https: / / doi.org/ 10.1080 / 23746149.2020.1813626
arXiv: 2009.07297

[12] Alessio Fallani, Matteo AC Rossi, Dario Tamascelli und Marco G. Genoni. „Lernende Regelstrategien für die Quantenmetrologie“. PRX Quantum 3, 020310 (2022).
https: / / doi.org/ 10.1103 / PRXQuantum.3.020310

[13] Richard S. Sutton und Andrew G. Barto. „Verstärkungslernen, zweite Auflage: Eine Einführung“. MIT Press. (2018). URL: http:/​/​incompleteideas.net/​book/​the-book.html.
http://​/​incompleteideas.net/​book/​the-book.html

[14] Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Andrei A. Rusu, Joel Veness, Marc G. Bellemare, Alex Graves, Martin Riedmiller, Andreas K. Fidjeland, Georg Ostrovski, Stig Petersen, Charles Beattie, Amir Sadik, Ioannis Antonoglou, Helen King , Dharshan Kumaran, Daan Wierstra, Shane Legg und Demis Hassabis. „Kontrolle auf menschlicher Ebene durch tiefes Verstärkungslernen“. Natur 518, 529–533 (2015).
https: / / doi.org/ 10.1038 / nature14236

[15] Tuomas Haarnoja, Sehoon Ha, Aurick Zhou, Jie Tan, George Tucker und Sergey Levine. „Laufen lernen durch Deep Reinforcement Learning“ (2019). arXiv:1812.11103.
arXiv: 1812.11103

[16] Thomas Fösel, Petru Tighineanu, Talitha Weiss und Florian Marquardt. „Verstärkendes Lernen mit neuronalen Netzen für Quanten-Feedback“. Phys. Rev. X 8, 031084 (2018).
https: / / doi.org/ 10.1103 / physrevx.8.031084

[17] Chunlin Chen, Daoyi Dong, Han-Xiong Li, Jian Chu und Tzyh-Jong Tarn. "Treuebasiertes probabilistisches Q-Learning zur Kontrolle von Quantensystemen". IEEE Transactions on Neural Networks and Learning Systems 25, 920–933 (2014).
https://​/​doi.org/​10.1109/​tnnls.2013.2283574

[18] Moritz August und José Miguel Hernández-Lobato. "Gradienten durch Experimente nehmen: LSTMs und Speicher-Proximal-Policy-Optimierung für die Black-Box-Quantenkontrolle". In Rio Yokota, Michèle Weiland, John Shalf und Sadaf Alam, Herausgeber, High Performance Computing. Seiten 591–613. Vorlesungsunterlagen in Computer ScienceCham (2018). Springer International Publishing.
https:/​/​doi.org/​10.1007/​978-3-030-02465-9_43

[19] Marin Bukov, Alexandre GR Day, Dries Sels, Phillip Weinberg, Anatoli Polkovnikov und Pankaj Mehta. „Bestärkendes Lernen in verschiedenen Phasen der Quantenkontrolle“. Phys. Rev. X 8, 031086 (2018). arXiv:1705.00565.
https: / / doi.org/ 10.1103 / physrevx.8.031086
arXiv: 1705.00565

[20] Riccardo Porotti, Dario Tamascelli, Marcello Restelli und Enrico Prati. „Kohärenter Transport von Quantenzuständen durch Deep Reinforcement Learning“. Commun Phys 2, 1–9 (2019).
https: / / doi.org/ 10.1038 / s42005-019-0169-x

[21] Murphy Yuezhen Niu, Sergio Boixo, Vadim N. Smelyanskiy und Hartmut Neven. „Universelle Quantenkontrolle durch Deep Reinforcement Learning“. npj Quantum Information 5, 1–8 (2019).
https:/​/​doi.org/​10.1038/​s41534-019-0141-3

[22] Zheng An und DL Zhou. „Deep Reinforcement Learning für die Quantentorsteuerung“. EPL 126, 60002 (2019).
https:/​/​doi.org/​10.1209/​0295-5075/​126/​60002

[23] Han Xu, Junning Li, Liqiang Liu, Yu Wang, Haidong Yuan und Xin Wang. „Verallgemeinerbare Kontrolle für die Quantenparameterschätzung durch bestärkendes Lernen“. npj Quantum Inf 5, 1–8 (2019).
https: / / doi.org/ 10.1038 / s41534-019-0198-z

[24] Juan Miguel Arrazola, Thomas R. Bromley, Josh Izaac, Casey R. Myers, Kamil Brádler und Nathan Killoran. „Maschinelles Lernverfahren zur Zustandsvorbereitung und Gattersynthese auf photonischen Quantencomputern“. Quantenwissenschaft. Technol. 4, 024004 (2019).
https: / / doi.org/ 10.1088 / 2058-9565 / aaf59e

[25] L. O'Driscoll, R. Nichols und PA Knott. „Ein hybrider Algorithmus für maschinelles Lernen zum Entwerfen von Quantenexperimenten“. Quantenmach. Intelligenz 1, 5–15 (2019).
https:/​/​doi.org/​10.1007/​s42484-019-00003-8

[26] Thomas Fösel, Stefan Krastanov, Florian Marquardt und Liang Jiang. „Effiziente Hohlraumkontrolle mit SNAP-Gates“ (2020). arXiv:2004.14256.
arXiv: 2004.14256

[27] Mogens Dalgaard, Felix Motzoi, Jens Jakob Sörensen und Jacob Sherson. „Globale Optimierung der Quantendynamik mit AlphaZero Deep Exploration“. npj Quantum Inf 6, 6 (2020).
https:/​/​doi.org/​10.1038/​s41534-019-0241-0

[28] Hailan Ma, Daoyi Dong, Steven X. Ding und Chunlin Chen. „Curriculum-based Deep Reinforcement Learning for Quantum Control“ (2021). arXiv:2012.15427.
arXiv: 2012.15427

[29] Zheng An, Hai-Jing Song, Qi-Kai He und DL Zhou. „Quantenoptimale Kontrolle mehrstufiger dissipativer Quantensysteme mit Verstärkungslernen“. Phys. Rev. A 103, 012404 (2021).
https: / / doi.org/ 10.1103 / physreva.103.012404

[30] Yuval Baum, Mirko Amico, Sean Howell, Michael Hush, Maggie Liuzzi, Pranav Mundada, Thomas Merkh, Andre RR Carvalho und Michael J. Biercuk. „Experimentelles Deep Reinforcement Learning für fehlerrobustes Gate-Set-Design auf einem supraleitenden Quantencomputer“. PRX Quantum 2, 040324 (2021).
https: / / doi.org/ 10.1103 / PRXQuantum.2.040324

[31] Thomas Fösel, Murphy Yuezhen Niu, Florian Marquardt und Li Li. „Quantum Circuit Optimization with Deep Reinforcement Learning“ (2021). arXiv:2103.07585.
arXiv: 2103.07585

[32] E. Flurin, LS Martin, S. Hacohen-Gourgy und I. Siddiqi. „Verwendung eines rekurrenten neuronalen Netzwerks zur Rekonstruktion der Quantendynamik eines supraleitenden Qubits aus physikalischen Beobachtungen“. Physische Überprüfung X 10 (2020).
https: / / doi.org/ 10.1103 / physrevx.10.011006

[33] DT Lennon, H. Moon, LC Camenzind, Liuqi Yu, DM Zumbühl, G. a. D. Briggs, MA Osborne, EA Laird und N. Ares. „Effizientes Messen eines Quantengeräts mit maschinellem Lernen“. npj Quantum Information 5, 1–8 (2019).
https:/​/​doi.org/​10.1038/​s41534-019-0193-4

[34] Kyunghoon Jung, MH Abobeih, Jiwon Yun, Gyeonghun Kim, Hyunseok Oh, Ang Henry, TH Taminiau und Dohun Kim. "Deep Learning verbesserte individuelle Kernspin-Erkennung". npj Quantum Inf 7, 1–9 (2021).
https:/​/​doi.org/​10.1038/​s41534-021-00377-3

[35] V. Nguyen. „Deep Reinforcement Learning zur effizienten Messung von Quantengeräten“. npj Quantum InformationSeite 9 (2021).
https: / / doi.org/ 10.1038 / s41534-021-00434-x

[36] Alexander Hentschel und Barry C. Sanders. „Maschinelles Lernen für präzise Quantenmessung“. Phys. Rev. Lett. 104, 063603 (2010).
https://doi.org/ 10.1103/physrevlett.104.063603

[37] M. Tiersch, EJ Ganahl und HJ Briegel. „Adaptive Quantenberechnung in sich ändernden Umgebungen durch projektive Simulation“. Sci Rep 5, 12874 (2015).
https: / / doi.org/ 10.1038 / srep12874

[38] Pantita Palittapongarnpim, Peter Wittek, Ehsan Zahedinejad, Shakib Vedaie und Barry C. Sanders. "Lernen in der Quantenkontrolle: Hochdimensionale globale Optimierung für verrauschte Quantendynamik". Neurocomputing 268, 116–126 (2017).
https: / / doi.org/ 10.1016 / j.neucom.2016.12.087

[39] Jelena Mackeprang, Durga B. Rao Dasari und Jörg Wrachtrup. „Ein bestärkender Lernansatz für Quantenzustandstechnik“. Quantenmach. Intelligenz 2, 5 (2020).
https:/​/​doi.org/​10.1007/​s42484-020-00016-8

[40] Christian Sommer, Muhammad Asjad und Claudiu Genes. „Perspektiven des Verstärkungslernens für die gleichzeitige Dämpfung vieler mechanischer Moden“. Sci Rep. 10, 2623 (2020).
https: / / doi.org/ 10.1038 / s41598-020-59435-z

[41] Zhikang T. Wang, Yuto Ashida und Masahito Ueda. „Deep Reinforcement Learning Control of Quantum Cartpoles“. Phys. Rev. Lett. 125, 100401 (2020).
https://doi.org/ 10.1103/PhysRevLett.125.100401

[42] Sangkha Borah, Bijita Sarma, Michael Kewming, Gerard J. Milburn und Jason Twamley. „Messbasierte Feedback-Quantenkontrolle mit Deep Reinforcement Learning für ein nichtlineares Doppelwell-Potential“. Phys. Rev. Lett. 127, 190403 (2021).
https://doi.org/ 10.1103/PhysRevLett.127.190403

[43] VV Sivak, A. Eickbusch, H. Liu, B. Royer, I. Tsioutsios und MH Devoret. „Modellfreie Quantenkontrolle mit Reinforcement Learning“. Phys. Rev. X 12, 011059 (2022).
https://doi.org/ 10.1103/PhysRevX.12.011059

[44] Antoine Essig, Quentin Ficheux, Théau Peronnin, Nathanaël Cottet, Raphaël Lescanne, Alain Sarlette, Pierre Rouchon, Zaki Leghtas und Benjamin Huard. „Multiplexed Photon Number Measurement“. Phys. Rev. X 11, 031045 (2021).
https://doi.org/ 10.1103/PhysRevX.11.031045

[45] B. Peaudecerf, C. Sayrin, X. Zhou, T. Rybarczyk, S. Gleyzes, I. Dotsenko, JM Raimond, M. Brune und S. Haroche. „Quantum-Feedback-Experimente zur Stabilisierung von Fock-Lichtzuständen in einem Hohlraum“. Phys. Rev. A 87, 042320 (2013).
https: / / doi.org/ 10.1103 / physreva.87.042320

[46] X. Zhou, I. Dotsenko, B. Peaudecerf, T. Rybarczyk, C. Sayrin, S. Gleyzes, JM Raimond, M. Brune und S. Haroche. „Feld auf einen Fock-Zustand durch Quantenrückkopplung mit Einzelphotonenkorrekturen gesperrt“. Phys. Rev. Lett. 108, 243602 (2012).
https://doi.org/ 10.1103/physrevlett.108.243602

[47] Jacob C. Curtis, Connor T. Hann, Salvatore S. Elder, Christopher S. Wang, Luigi Frunzio, Liang Jiang und Robert J. Schoelkopf. "Zahlenaufgelöste Einzelschuss-Erkennung von Mikrowellenphotonen mit Fehlerminderung". Phys. Rev. A 103, 023705 (2021).
https: / / doi.org/ 10.1103 / physreva.103.023705

[48] Christine Guerlin, Julien Bernu, Samuel Deléglise, Clément Sayrin, Sébastien Gleyzes, Stefan Kuhr, Michel Brune, Jean-Michel Raimond und Serge Haroche. "Progressiver Feldzustandskollaps und Quanten-Photonenzählung ohne Zerstörung". Natur 448, 889–893 (2007).
https: / / doi.org/ 10.1038 / nature06057

[49] BR Johnson, MD Reed, AA Houck, DI Schuster, Lev S. Bishop, E. Ginossar, JM Gambetta, L. DiCarlo, L. Frunzio, SM Girvin und RJ Schoelkopf. "Quantenfreie Detektion einzelner Mikrowellenphotonen in einem Stromkreis". Nature Phys 6, 663–667 (2010).
https: / / doi.org/ 10.1038 / nphys1710

[50] B. Peaudecerf, T. Rybarczyk, S. Gerlich, S. Gleyzes, JM Raimond, S. Haroche, I. Dotsenko und M. Brune. „Adaptive Quantenzerstörungsfreie Messung einer Photonenzahl“. Phys. Rev. Lett. 112, 080401 (2014).
https://doi.org/ 10.1103/physrevlett.112.080401

[51] Crispin Gardiner und Peter Zoller. "Quantenrauschen: Ein Handbuch Markovianischer und Nicht-Markovianischer Quantenstochastischer Methoden mit Anwendungen in der Quantenoptik". Springer-Reihe in Synergetik. Springer Verlag. Berlin-Heidelberg (2004). Dritte Edition. URL: link.springer.com/​book/​9783540223016.
https://​/​link.springer.com/​book/​9783540223016

[52] John Schulman, Filip Wolski, Prafulla Dhariwal, Alec Radford und Oleg Klimov. „Proximale Richtlinienoptimierungsalgorithmen“ (2017). arXiv:1707.06347.
arXiv: 1707.06347

[53] John Schulman, Sergey Levine, Philipp Moritz, Michael I. Jordan und Pieter Abbeel. „Trust Region Policy Optimization“ (2017). arXiv:1502.05477.
arXiv: 1502.05477

[54] Ashley Hill, Antonin Raffin, Maximilian Ernestus, Adam Gleave, Anssi Kanervisto, Rene Traore, Prafulla Dhariwal, Christopher Hesse, Oleg Klimov, Alex Nichol, Matthias Plappert, Alec Radford, John Schulman, Szymon Sidor und Yuhuai Wu. „Stabile Grundlinien“. URL: github.com/​hill-a/​stable-baselines.
https://​/​github.com/​hill-a/​stable-baselines

[55] Weizhou Cai, Yuwei Ma, Weiting Wang, Chang-Ling Zou und Luyan Sun. „Bosonische Quantenfehlerkorrekturcodes in supraleitenden Quantenschaltkreisen“. Grundlagenforschung 1, 50–67 (2021).
https://​/​doi.org/​10.1016/​j.fmre.2020.12.006

[56] FAM de Oliveira, MS Kim, PL Knight und V. Buek. „Eigenschaften von verschobenen Zahlzuständen“. Physical Review A 41, 2645–2652 (1990).
https: / / doi.org/ 10.1103 / physreva.41.2645

[57] Michael Martin Nieto. „Verdrängte und gequetschte Zahlenzustände“. Physikbriefe A 229, 135–143 (1997). arXiv:quant-ph/​9612050.
https:/​/​doi.org/​10.1016/​s0375-9601(97)00183-7
arXiv: quant-ph / 9612050

Zitiert von

[1] Anna Dawid, Julian Arnold, Borja Requena, Alexander Gresch, Marcin Płodzień, Kaelan Donatella, Kim A. Nicoli, Paolo Stornati, Rouven Koch, Miriam Büttner, Robert Okuła, Gorka Muñoz-Gil, Rodrigo A. Vargas-Hernández, Alba Cervera-Lierta, Juan Carrasquilla, Vedran Dunjko, Marylou Gabrié, Patrick Huembeli, Evert van Nieuwenburg, Filippo Vicentini, Lei Wang, Sebastian J. Wetzel, Giuseppe Carleo, Eliška Greplová, Roman Krems, Florian Marquardt, Michał Tomza, Maciej Lewenstein, und Alexandre Dauphin, „Moderne Anwendungen des maschinellen Lernens in den Quantenwissenschaften“, arXiv: 2204.04198.

[2] Riccardo Porotti, Vittorio Peano und Florian Marquardt, „Gradient Ascent Pulse Engineering with Feedback“, arXiv: 2203.04271.

[3] Luigi Giannelli, Pierpaolo Sgroi, Jonathon Brown, Gheorghe Sorin Paraoanu, Mauro Paternostro, Elisabetta Paladino und Giuseppe Falci, „Ein Tutorial zu optimalen Kontroll- und Verstärkungslernmethoden für Quantentechnologien“, Physikbriefe A 434, 128054 (2022).

[4] Björn Annby-Andersson, Faraj Bakhshinezhad, Debankur Bhattacharyya, Guilherme De Sousa, Christopher Jarzynski, Peter Samuelsson und Patrick P. Potts, „Quantum Fokker-Planck Master Equation for Continuous Feedback Control“, arXiv: 2110.09159.

[5] Alessio Fallani, Matteo AC Rossi, Dario Tamascelli und Marco G. Genoni, „Learning Feedback Control Strategies for Quantum Metrology“, PRX-Quantum 3 2, 020310 (2022).

[6] Paolo Andrea Erdman und Frank Noé, „Fahren von Black-Box-Quantenthermomaschinen mit optimalen Leistungs-/Effizienz-Kompromissen unter Verwendung von Verstärkungslernen“, arXiv: 2204.04785.

[7] David A. Herrera-Martí, „Policy Gradient Approach to Compilation of Variational Quantum Circuits“, arXiv: 2111.10227.

Die obigen Zitate stammen von SAO / NASA ADS (Zuletzt erfolgreich aktualisiert am 2022, 07:22:01 Uhr). Die Liste ist möglicherweise unvollständig, da nicht alle Verlage geeignete und vollständige Zitationsdaten bereitstellen.

On Der von Crossref zitierte Dienst Es wurden keine Daten zum Zitieren von Werken gefunden (letzter Versuch 2022-07-22 01:21:34).

Dieses Papier ist in Quantum unter dem veröffentlicht Creative Commons Namensnennung 4.0 International (CC BY 4.0) Lizenz. Das Copyright verbleibt bei den ursprünglichen Copyright-Inhabern wie den Autoren oder deren Institutionen.

Zeitstempel:

Mehr von Quantenjournal