1Institut Max Planck pour la science de la lumière, Erlangen, Allemagne
2Département de physique, Friedrich-Alexander Universität Erlangen-Nürnberg, Allemagne
3Univ Lyon, ENS de Lyon, CNRS, Laboratoire de Physique,F-69342 Lyon, France
Vous trouvez cet article intéressant ou souhaitez en discuter? Scite ou laisse un commentaire sur SciRate.
Abstract
Le contrôle quantique a suscité un intérêt croissant ces dernières années, par exemple pour des tâches telles que l'initialisation et la stabilisation d'état. Les stratégies basées sur les commentaires sont particulièrement puissantes, mais également difficiles à trouver, en raison de l'espace de recherche exponentiellement accru. L'apprentissage par renforcement profond est très prometteur à cet égard. Cela peut fournir de nouvelles réponses à des questions difficiles, telles que la capacité des mesures non linéaires à compenser un contrôle linéaire et contraint. Ici, nous montrons que l'apprentissage par renforcement peut découvrir avec succès de telles stratégies de rétroaction, sans connaissances préalables. Nous illustrons cela pour la préparation d'état dans une cavité soumise à une détection quantique sans démolition du nombre de photons, avec un simple entraînement linéaire comme contrôle. Les états Fock peuvent être produits et stabilisés avec une très haute fidélité. Il est même possible d'atteindre des états de superposition, à condition que les taux de mesure pour différents états de Fock puissent également être contrôlés.
Image en vedette : Schémas de l'algorithme RL. L'agent RL ne peut appliquer qu'un simple contrôle linéaire, dans notre cas le déplacement, à un état quantique dans une cavité. La mesure faible non linéaire permet à l'agent de conduire le système vers des superpositions complexes. Ici, la fonction de Wigner de $frac{|1rangle+|3rangle}{sqrt{2}}$ est affichée. L'agent RL est modélisé avec un réseau de neurones feed-forward.
Résumé populaire
► Données BibTeX
► Références
Navin Khaneja, Timo Reiss, Cindie Kehlet, Thomas Schulte-Herbrüggen et Steffen J. Glaser. "Contrôle optimal de la dynamique de spin couplée : conception de séquences d'impulsions RMN par des algorithmes de montée de gradient". Journal de résonance magnétique 172, 296–305 (2005).
https: / / doi.org/ 10.1016 / j.jmr.2004.11.004
P. de Fouquières, SG Schirmer, SJ Glaser et Ilya Kuprov. "Ingénierie des impulsions d'ascension de gradient de second ordre". Journal de résonance magnétique 212, 412–417 (2011).
https: / / doi.org/ 10.1016 / j.jmr.2011.07.023
AC Doherty et K. Jacobs. "Contrôle par rétroaction des systèmes quantiques utilisant l'estimation d'état continu". Phys. Rev. A 60, 2700–2711 (1999).
https: / / doi.org/ 10.1103 / PhysRevA.60.2700
Pavel Bushev, Daniel Rotter, Alex Wilson, François Dubin, Christoph Becher, Jürgen Eschner, Rainer Blatt, Viktor Steixner, Peter Rabl et Peter Zoller. "Refroidissement par rétroaction d'un seul ion piégé". Phys. Rév. Lett. 96, 043003 (2006).
https: / / doi.org/ 10.1103 / physrevlett.96.043003
Howard M. Wiseman et Gerard J. Milburn. "Mesure et contrôle quantiques". La presse de l'Universite de Cambridge. Cambridge (2009).
https: / / doi.org/ 10.1017 / CBO9780511813948
GG Gillett, RB Dalton, BP Lanyon, MP Almeida, M. Barbieri, GJ Pryde, JL O'Brien, KJ Resch, SD Bartlett et AG White. "Contrôle de rétroaction expérimental des systèmes quantiques utilisant des mesures faibles". Phys. Rév. Lett. 104, 080503 (2010).
https: / / doi.org/ 10.1103 / physrevlett.104.080503
Clément Sayrin, Igor Dotsenko, Xingxing Zhou, Bruno Peaudecerf, Théo Rybarczyk, Sébastien Gleyzes, Pierre Rouchon, Mazyar Mirrahimi, Hadis Amini, Michel Brune, Jean-Michel Raimond et Serge Haroche. "La rétroaction quantique en temps réel prépare et stabilise les états du nombre de photons". Nature 477, 73-77 (2011).
https: / / doi.org/ 10.1038 / nature10376
P. Campagne-Ibarcq, E. Flurin, N. Roch, D. Darson, P. Morfin, M. Mirrahimi, MH Devoret, F. Mallet et B. Huard. "Contrôle persistant d'un qubit supraconducteur par retour de mesure stroboscopique". Phys. Rév. X 3, 021008 (2013).
https: / / doi.org/ 10.1103 / physrevx.3.021008
Nissim Ofek, Andrei Petrenko, Reinier Heeres, Philip Reinhold, Zaki Leghtas, Brian Vlastakis, Yehan Liu, Luigi Frunzio, SM Girvin, L. Jiang, Mazyar Mirrahimi, MH Devoret et RJ Schoelkopf. « Prolonger la durée de vie d'un bit quantique avec correction d'erreur dans les circuits supraconducteurs ». Nature 536, 441–445 (2016).
https: / / doi.org/ 10.1038 / nature18949
Massimiliano Rossi, David Mason, Junxin Chen, Yeghishe Tsaturyan et Albert Schliesser. "Contrôle quantique basé sur la mesure du mouvement mécanique". Nature 563, 53-58 (2018).
https://doi.org/10.1038/s41586-018-0643-8
Shay Hacohen-Gourgy et Leigh S. Martin. "Mesures continues pour le contrôle des circuits quantiques supraconducteurs". Avancées en physique : X 5, 1813626 (2020). arXiv:2009.07297.
https: / / doi.org/ 10.1080 / 23746149.2020.1813626
arXiv: 2009.07297
Alessio Fallani, Matteo AC Rossi, Dario Tamascelli et Marco G. Genoni. "Apprentissage des stratégies de contrôle par rétroaction pour la métrologie quantique". PRX Quantique 3, 020310 (2022).
https: / / doi.org/ 10.1103 / PRXQuantum.3.020310
Richard S. Sutton et Andrew G. Barto. "Apprentissage par renforcement, deuxième édition : une introduction". Presse du MIT. (2018). URL : http://incompleteideas.net/book/the-book.html.
http:///incompleteideas.net/book/the-book.html
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 et Demis Hassabis. "Contrôle au niveau humain grâce à l'apprentissage par renforcement profond". Nature 518, 529–533 (2015).
https: / / doi.org/ 10.1038 / nature14236
Tuomas Haarnoja, Sehoon Ha, Aurick Zhou, Jie Tan, George Tucker et Sergey Levine. "Apprendre à marcher via l'apprentissage par renforcement profond" (2019). arXiv:1812.11103.
arXiv: 1812.11103
Thomas Fösel, Petru Tighineanu, Talitha Weiss et Florian Marquardt. "Apprentissage par renforcement avec les réseaux de neurones pour la rétroaction quantique". Phys. Rév. X 8, 031084 (2018).
https: / / doi.org/ 10.1103 / physrevx.8.031084
Chunlin Chen, Daoyi Dong, Han-Xiong Li, Jian Chu et Tzyh-Jong Tarn. "Apprentissage Q probabiliste basé sur la fidélité pour le contrôle des systèmes quantiques". IEEE Transactions on Neural Networks and Learning Systems 25, 920–933 (2014).
https:///doi.org/10.1109/tnnls.2013.2283574
Moritz August et José Miguel Hernández-Lobato. "Prendre des gradients à travers des expériences: LSTM et optimisation de la politique proximale de la mémoire pour le contrôle quantique de la boîte noire". A Rio Yokota, Michèle Weiland, John Shalf et Sadaf Alam, rédacteurs, High Performance Computing. Pages 591–613. Notes de cours en informatique Cham (2018). Edition internationale Springer.
https://doi.org/10.1007/978-3-030-02465-9_43
Marin Bukov, Alexandre GR Day, Dries Sels, Phillip Weinberg, Anatoli Polkovnikov et Pankaj Mehta. "Apprentissage par renforcement dans différentes phases du contrôle quantique". Phys. Rév. X 8, 031086 (2018). arXiv:1705.00565.
https: / / doi.org/ 10.1103 / physrevx.8.031086
arXiv: 1705.00565
Riccardo Porotti, Dario Tamascelli, Marcello Restelli et Enrico Prati. "Transport cohérent d'états quantiques par apprentissage par renforcement profond". Phys Commun 2, 1–9 (2019).
https: / / doi.org/ 10.1038 / s42005-019-0169-x
Murphy Yuezhen Niu, Sergio Boixo, Vadim N. Smelyanskiy et Hartmut Neven. "Contrôle quantique universel par apprentissage par renforcement profond". npj Quantum Information 5, 1–8 (2019).
https://doi.org/10.1038/s41534-019-0141-3
Zheng An et DL Zhou. "Apprentissage par renforcement profond pour le contrôle de porte quantique". EPL 126, 60002 (2019).
https://doi.org/10.1209/0295-5075/126/60002
Han Xu, Junning Li, Liqiang Liu, Yu Wang, Haidong Yuan et Xin Wang. "Contrôle généralisable pour l'estimation des paramètres quantiques par apprentissage par renforcement". npj Quantum Inf 5, 1–8 (2019).
https: / / doi.org/ 10.1038 / s41534-019-0198-z
Juan Miguel Arrazola, Thomas R. Bromley, Josh Izaac, Casey R. Myers, Kamil Brádler et Nathan Killoran. "Méthode d'apprentissage automatique pour la préparation d'états et la synthèse de portes sur des ordinateurs quantiques photoniques". Sci quantique. Technol. 4, 024004 (2019).
https: / / doi.org/ 10.1088 / 2058-9565 / aaf59e
L. O'Driscoll, R. Nichols et PA Knott. "Un algorithme d'apprentissage automatique hybride pour la conception d'expériences quantiques". Mach quantique. Renseignement. 1, 5–15 (2019).
https://doi.org/10.1007/s42484-019-00003-8
Thomas Fosel, Stefan Krastanov, Florian Marquardt et Liang Jiang. "Contrôle efficace de la cavité avec les portes SNAP" (2020). arXiv:2004.14256.
arXiv: 2004.14256
Mogens Dalgaard, Felix Motzoi, Jens Jakob Sørensen et Jacob Sherson. "Optimisation globale de la dynamique quantique avec l'exploration profonde AlphaZero". npj Quantum Inf 6, 6 (2020).
https://doi.org/10.1038/s41534-019-0241-0
Hailan Ma, Daoyi Dong, Steven X. Ding et Chunlin Chen. «Apprentissage par renforcement profond basé sur le curriculum pour le contrôle quantique» (2021). arXiv:2012.15427.
arXiv: 2012.15427
Zheng An, Hai-Jing Song, Qi-Kai He et DL Zhou. "Contrôle optimal quantique des systèmes quantiques dissipatifs multiniveaux avec apprentissage par renforcement". Phys. Rév. A 103, 012404 (2021).
https: / / doi.org/ 10.1103 / physreva.103.012404
Yuval Baum, Mirko Amico, Sean Howell, Michael Hush, Maggie Liuzzi, Pranav Mundada, Thomas Merkh, Andre RR Carvalho et Michael J. Biercuk. "Apprentissage expérimental par renforcement profond pour la conception d'ensembles de portes robustes aux erreurs sur un ordinateur quantique supraconducteur". PRX Quantique 2, 040324 (2021).
https: / / doi.org/ 10.1103 / PRXQuantum.2.040324
Thomas Fosel, Murphy Yuezhen Niu, Florian Marquardt et Li Li. "Optimisation des circuits quantiques avec apprentissage par renforcement profond" (2021). arXiv:2103.07585.
arXiv: 2103.07585
E. Flurin, LS Martin, S. Hacohen-Gourgy et I. Siddiqi. "Utilisation d'un réseau neuronal récurrent pour reconstruire la dynamique quantique d'un qubit supraconducteur à partir d'observations physiques". Examen physique X 10 (2020).
https: / / doi.org/ 10.1103 / physrevx.10.011006
DT Lennon, H. Moon, LC Camenzind, Liuqi Yu, DM Zumbühl, G. a. D. Briggs, MA Osborne, EA Laird et N. Ares. "Mesurer efficacement un appareil quantique à l'aide de l'apprentissage automatique". npj Quantum Information 5, 1–8 (2019).
https://doi.org/10.1038/s41534-019-0193-4
Kyunghoon Jung, MH Abobeih, Jiwon Yun, Gyeonghun Kim, Hyunseok Oh, Ang Henry, TH Taminiau et Dohun Kim. "Détection de spin nucléaire individuelle améliorée par apprentissage en profondeur". npj Quantum Inf 7, 1–9 (2021).
https://doi.org/10.1038/s41534-021-00377-3
V Nguyen. "Apprentissage par renforcement profond pour une mesure efficace des dispositifs quantiques". npj Quantum Information Page 9 (2021).
https: / / doi.org/ 10.1038 / s41534-021-00434-x
Alexander Hentschel et Barry C. Sanders. "Apprentissage automatique pour une mesure quantique précise". Phys. Rév. Lett. 104, 063603 (2010).
https: / / doi.org/ 10.1103 / physrevlett.104.063603
M. Tiersch, EJ Ganahl et HJ Briegel. "Calcul quantique adaptatif dans des environnements changeants utilisant la simulation projective". Sci Rep 5, 12874 (2015).
https: / / doi.org/ 10.1038 / srep12874
Pantita Palittapongarnpim, Peter Wittek, Ehsan Zahedinejad, Shakib Vedaie et Barry C. Sanders. "Apprentissage en contrôle quantique : Optimisation globale en haute dimension pour la dynamique quantique bruitée". Neuroinformatique 268, 116-126 (2017).
https: / / doi.org/ 10.1016 / j.neucom.2016.12.087
Jelena Mackeprang, Durga B. Rao Dasari et Jörg Wrachtrup. "Une approche d'apprentissage par renforcement pour l'ingénierie d'état quantique". Mach quantique. Renseignement. 2, 5 (2020).
https://doi.org/10.1007/s42484-020-00016-8
Christian Sommer, Muhammad Asjad et Claudiu Gènes. « Perspectives d'apprentissage par renforcement pour l'amortissement simultané de plusieurs modes mécaniques ». Sci Rep 10, 2623 (2020).
https: / / doi.org/ 10.1038 / s41598-020-59435-z
Zhikang T. Wang, Yuto Ashida et Masahito Ueda. "Contrôle d'apprentissage par renforcement profond des chariots quantiques". Phys. Rév. Lett. 125, 100401 (2020).
https: / / doi.org/ 10.1103 / PhysRevLett.125.100401
Sangkha Borah, Bijita Sarma, Michael Kewming, Gerard J. Milburn et Jason Twamley. "Contrôle quantique de rétroaction basé sur la mesure avec apprentissage par renforcement profond pour un potentiel non linéaire à double puits". Phys. Rév. Lett. 127, 190403 (2021).
https: / / doi.org/ 10.1103 / PhysRevLett.127.190403
VV Sivak, A. Eickbusch, H. Liu, B. Royer, I. Tsioutsios et MH Devoret. "Contrôle quantique sans modèle avec apprentissage par renforcement". Phys. Rév. X 12, 011059 (2022).
https: / / doi.org/ 10.1103 / PhysRevX.12.011059
Antoine Essig, Quentin Ficheux, Théau Peronnin, Nathanaël Cottet, Raphaël Lescanne, Alain Sarlette, Pierre Rouchon, Zaki Leghtas et Benjamin Huard. "Mesure du nombre de photons multiplexés". Phys. Rév. X 11, 031045 (2021).
https: / / doi.org/ 10.1103 / PhysRevX.11.031045
B. Peaudecerf, C. Sayrin, X. Zhou, T. Rybarczyk, S. Gleyzes, I. Dotsenko, JM Raimond, M. Brune et S. Haroche. "Expériences de rétroaction quantique stabilisant les états de Fock de la lumière dans une cavité". Phys. Rév. A 87, 042320 (2013).
https: / / doi.org/ 10.1103 / physreva.87.042320
X. Zhou, I. Dotsenko, B. Peaudecerf, T. Rybarczyk, C. Sayrin, S. Gleyzes, JM Raimond, M. Brune et S. Haroche. "Champ verrouillé sur un état Fock par rétroaction quantique avec corrections de photon unique". Phys. Rév. Lett. 108, 243602 (2012).
https: / / doi.org/ 10.1103 / physrevlett.108.243602
Jacob C. Curtis, Connor T. Hann, Salvatore S. Elder, Christopher S. Wang, Luigi Frunzio, Liang Jiang et Robert J. Schoelkopf. "Détection résolue en nombre à un seul coup de photons micro-ondes avec atténuation des erreurs". Phys. Rév. A 103, 023705 (2021).
https: / / doi.org/ 10.1103 / physreva.103.023705
Christine Guerlin, Julien Bernu, Samuel Deléglise, Clément Sayrin, Sébastien Gleyzes, Stefan Kuhr, Michel Brune, Jean-Michel Raimond et Serge Haroche. "Effondrement progressif de l'état du champ et comptage quantique des photons sans démolition". Nature 448, 889–893 (2007).
https: / / doi.org/ 10.1038 / nature06057
BR Johnson, MD Reed, AA Houck, DI Schuster, Lev S. Bishop, E. Ginossar, JM Gambetta, L. DiCarlo, L. Frunzio, SM Girvin et RJ Schoelkopf. "Détection quantique sans démolition de photons micro-ondes uniques dans un circuit". Nature Phys 6, 663–667 (2010).
https: / / doi.org/ 10.1038 / nphys1710
B. Peaudecerf, T. Rybarczyk, S. Gerlich, S. Gleyzes, JM Raimond, S. Haroche, I. Dotsenko et M. Brune. "Mesure adaptative de non-démolition quantique d'un nombre de photons". Phys. Rév. Lett. 112, 080401 (2014).
https: / / doi.org/ 10.1103 / physrevlett.112.080401
Crispin Gardiner et Peter Zoller. "Bruit quantique: un manuel de méthodes stochastiques quantiques markoviennes et non markoviennes avec des applications à l'optique quantique". Série Springer en synergie. Springer Verlag. Berlin Heidelberg (2004). Troisième édition. URL : link.springer.com/book/9783540223016.
https:///link.springer.com/book/9783540223016
John Schulman, Filip Wolski, Prafulla Dhariwal, Alec Radford et Oleg Klimov. "Algorithmes d'optimisation de la politique proximale" (2017). arXiv:1707.06347.
arXiv: 1707.06347
John Schulman, Sergey Levine, Philipp Moritz, Michael I. Jordan et Pieter Abbeel. "Optimisation de la politique de région de confiance" (2017). arXiv:1502.05477.
arXiv: 1502.05477
Ashley Hill, Antonin Raffin, Maximilian Ernestus, Adam Gleave, Anssi Kanervisto, René Traoré, Prafulla Dhariwal, Christopher Hesse, Oleg Klimov, Alex Nichol, Matthias Plappert, Alec Radford, John Schulman, Szymon Sidor et Yuhuai Wu. "Bases de référence stables". URL : github.com/hill-a/stable-baselines.
https:///github.com/hill-a/stable-baselines
Weizhou Cai, Yuwei Ma, Weiting Wang, Chang-Ling Zou et Luyan Sun. "Codes de correction d'erreurs quantiques bosoniques dans les circuits quantiques supraconducteurs". Recherche fondamentale 1, 50–67 (2021).
https:///doi.org/10.1016/j.fmre.2020.12.006
FAM de Oliveira, MS Kim, PL Knight et V. Buek. "Propriétés des états de nombre déplacés". Examen physique A 41, 2645–2652 (1990).
https: / / doi.org/ 10.1103 / physreva.41.2645
Michel Martin Nieto. "États numériques déplacés et comprimés". Lettres de physique A 229, 135–143 (1997). arXiv:quant-ph/9612050.
https://doi.org/10.1016/s0375-9601(97)00183-7
arXiv: quant-ph / 9612050
Cité par
[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, et Alexandre Dauphin, "Applications modernes de l'apprentissage automatique aux sciences quantiques", arXiv: 2204.04198.
[2] Riccardo Porotti, Vittorio Peano et 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 et Giuseppe Falci, "Un tutoriel sur les méthodes de contrôle optimal et d'apprentissage par renforcement pour les technologies quantiques", Lettres de physique A 434, 128054 (2022).
[4] Björn Annby-Andersson, Faraj Bakhshinezhad, Debankur Bhattacharyya, Guilherme De Sousa, Christopher Jarzynski, Peter Samuelsson et Patrick P. Potts, "Quantum Fokker-Planck master equation for Continuous Feedback Control", arXiv: 2110.09159.
[5] Alessio Fallani, Matteo AC Rossi, Dario Tamascelli et Marco G. Genoni, "Apprentissage des stratégies de contrôle de rétroaction pour la métrologie quantique", PRX Quantique 3 2, 020310 (2022).
[6] Paolo Andrea Erdman et Frank Noé, "Conduire des machines thermiques quantiques en boîte noire avec des compromis puissance/efficacité optimaux en utilisant l'apprentissage par renforcement", arXiv: 2204.04785.
[7] David A. Herrera-Martí, "Approche par gradient de politique pour la compilation de circuits quantiques variationnels", arXiv: 2111.10227.
Les citations ci-dessus proviennent de SAO / NASA ADS (dernière mise à jour réussie 2022-07-22 01:21:35). La liste peut être incomplète car tous les éditeurs ne fournissent pas de données de citation appropriées et complètes.
On Le service cité par Crossref aucune donnée sur la citation des œuvres n'a été trouvée (dernière tentative 2022-07-22 01:21:34).
Cet article est publié dans Quantum sous le Creative Commons Attribution 4.0 International (CC BY 4.0) Licence. Le droit d'auteur reste la propriété des détenteurs d'origine tels que les auteurs ou leurs institutions.
