Controllo predittivo del modello per una solida preparazione dello stato quantistico

Ripubblicato da Platone

Seguaci: 0

Andy J. Goldschmidt¹, Jonathan L. DuBois², Steven L.Brunton³e J. Nathan Kutz⁴

¹Dipartimento di Fisica, Università di Washington, Seattle, WA 98195
²Laboratorio Nazionale Lawrence Livermore, Livermore, CA 94550
³Dipartimento di Ingegneria Meccanica, Università di Washington, Seattle, WA 98195
⁴Dipartimento di Matematica Applicata, Università di Washington, Seattle, WA 98195

Trovi questo documento interessante o vuoi discuterne? Scrivi o lascia un commento su SciRate.

Astratto

Una sfida ingegneristica fondamentale nella tecnologia quantistica è il controllo accurato della dinamica quantistica. I metodi basati su modelli per il controllo ottimale si sono dimostrati altamente efficaci quando la teoria e l'esperimento corrispondono strettamente. Di conseguenza, la realizzazione di processi quantistici ad alta fedeltà con controllo basato su modello richiede un'attenta caratterizzazione del dispositivo. Nei processori quantistici basati su atomi freddi, l'Hamiltoniano può essere ben caratterizzato. Per i qubit superconduttori che operano a temperature milli-Kelvin, l'Hamiltoniano non è così ben caratterizzato. Fisica non spiegata (ad esempio, discrepanza di modalità), disturbi coerenti e aumento del rumore compromettono il controllo tradizionale basato su modello. Questo lavoro introduce $textit{controllo predittivo del modello}$ (MPC) per applicazioni di controllo quantistico. MPC è un framework di ottimizzazione a circuito chiuso che (i) eredita un grado naturale di reiezione ai disturbi incorporando il feedback di misurazione, (ii) utilizza ottimizzazioni basate su modelli a orizzonte finito per controllare complessi sistemi dinamici multi-input e multi-output sotto stato e vincoli di input e (iii) è abbastanza flessibile da svilupparsi in sinergia insieme ad altre moderne strategie di controllo. Mostriamo come MPC può essere utilizzato per generare sequenze di controllo ottimizzate pratiche in esempi rappresentativi di preparazione dello stato quantistico. In particolare, dimostriamo per un qubit, un qubit debolmente anarmonico e un sistema sottoposto a crosstalk, che MPC può realizzare un controllo basato su modello di successo anche quando il modello è inadeguato. Questi esempi mostrano perché MPC è un'aggiunta importante alla suite di controllo dell'ingegneria quantistica.

Immagine in primo piano: $textbf{(a)}$ Nel modello di circuito, un qubit è rappresentato da un segmento di linea e viene disegnato un riquadro per indicare un processo quantistico applicato al qubit. Qui, rappresentiamo una preparazione dello stato quantistico astrattamente da $textbf{A}$ e postuliamo modifiche non caratterizzate che rendono il modello di $textbf{A}$ inaffidabile per il controllo ad anello aperto. $textbf{(b)}$ Sotto il cofano dell'operazione $textbf{A}$, progettiamo robusti impulsi di controllo utilizzando il controllo predittivo del modello (MPC). In $textbf{(b) ii-iii.}$, MPC sintetizza un robusto input di controllo incorporando il feedback di stato in una sequenza di leggi di controllo dell'orizzonte sfuggente (in $textbf{(b) ii.}$, i primi tre MPC le iterazioni sono etichettate 1., 2. e 3. e colorate con valori in scala di grigi crescenti). Ad ogni iterazione MPC, un problema di controllo ad anello aperto viene risolto sull'attuale orizzonte di previsione T utilizzando il modello di sistema inaffidabile di $textbf{A}$ per ottenere $mathbf{x}^textrm{opt}(t)$ e $mathbf {u}^textrm{opt}(t)$. La prima voce della soluzione ad anello aperto $mathbf{u}^textrm{opt}(t)$ viene applicata come $mathbf{u}(t)$ in $textbf{(b) iii.}$. Lo stato risultante $mathbf{x}(t + 1)$ viene registrato e la successiva iterazione MPC inizia da questo stato registrato.

Riepilogo popolare

Il controllo predittivo del modello (MPC) è un approccio popolare per la progettazione del controllo in molte aree dell'ingegneria. Ciò è dovuto alla sua capacità di includere vincoli e alla sua robustezza rispetto al rumore e agli errori di modellazione coerente. In questo lavoro, adattiamo il controllo predittivo del modello classico per la progettazione di sequenze di controllo quantistico per affrontare il problema della pianificazione su modelli mal caratterizzati di dispositivi quantistici. La prospettiva MPC è quella di risolvere il problema del controllo quantistico come se si trattasse di un'ottimizzazione $textit{online}$, in cui la sequenza di controllo è ottimizzata sequenzialmente su un orizzonte sfuggente. Dimostriamo i vantaggi pratici di questa prospettiva MPC studiando tre esempi rappresentativi nell'ingegneria del controllo quantistico.

► dati BibTeX

@articolo{Goldschmidt2022modelpredictive, doi = {10.22331/q-2022-10-13-837}, URL = {https://doi.org/10.22331/q-2022-10-13-837}, title = {Modello di controllo predittivo per una robusta preparazione dello stato quantico}, autore = {Goldschmidt, Andy J. e DuBois, Jonathan L. e Brunton, Steven L. e Kutz, J. Nathan}, diario = {{Quantum}}, issn = {2521-327X}, editore = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, volume = {6}, pagine = {837}, mese = ottobre, anno = {2022} }

► Riferimenti

, Mohamed Abdelhafez, David I Schuster e Jens Koch. Controllo ottimale basato sul gradiente di sistemi quantistici aperti utilizzando traiettorie quantistiche e differenziazione automatica. Physical Review A, 99 (5): 052327, 2019. https:///doi.org/10.1103/PhysRevA.99.052327.
https: / / doi.org/ 10.1103 / PhysRevA.99.052327

, Ian Abraham, Gerardo de la Torre e Todd Murphey. Controllo basato su modelli mediante operatori di Koopman. In Robotica: scienza e sistemi XIII. Robotics: Science and Systems Foundation, lug 2017. https://doi.org/10.15607/rss.2017.xiii.052.
https:///doi.org/10.15607/rss.2017.xiii.052

, Claudio Altafini e Francesco Ticozzi. Modellazione e controllo dei sistemi quantistici: un'introduzione. IEEE Transactions on Automatic Control, 57 (8): 1898–1917, 2012. https://doi.org/10.1109/TAC.2012.2195830.
https: / / doi.org/ 10.1109 / TAC.2012.2195830

, Brian DO Anderson e John B Moore. Controllo ottimo: Metodi lineari quadratici. Corriere Corporation, 2007.

, Harrison Ball, Michael Biercuk, Andre Carvalho, Jiayin Chen, Michael Robert Hush, Leonardo A De Castro, Li Li, Per J Liebermann, Harry Slatyer, Claire Edmunds, e altri. Strumenti software per il controllo quantistico: miglioramento delle prestazioni dei computer quantistici attraverso la soppressione del rumore e degli errori. Scienza e tecnologia quantistica, 2021. https:///doi.org/10.1088/2058-9565/abdca6.
https:///doi.org/10.1088/2058-9565/abdca6

, Yuval Baum, Mirko Amico, Sean Howell, Michael Hush, Maggie Liuzzi, Pranav Mundada, Thomas Merkh, Andre RR Carvalho e Michael J. Biercuk. Apprendimento sperimentale per rinforzo profondo per la progettazione di set di gate resistenti agli errori su un computer quantistico superconduttore. PRX Quantum, 2 (4), nov 2021. https://doi.org/10.1103/prxquantum.2.040324.
https: / / doi.org/ 10.1103 / prxquantum.2.040324

, Thomas Baumeister, Steven L Brunton e J Nathan Kutz. Apprendimento approfondito e controllo predittivo del modello per i laser bloccati in modalità automatica. JOSA B, 35 (3): 617–626, 2018. https:///doi.org/10.1364/JOSAB.35.000617.
https: / / doi.org/ 10.1364 / JOSAB.35.000617

, Katharina Bieker, Sebastian Peitz, Steven L Brunton, J Nathan Kutz e Michael Dellnitz. Controllo del flusso predittivo del modello approfondito con dati del sensore limitati e apprendimento online. Fluidodinamica teorica e computazionale, pagine 1–15, 2020. https://doi.org/10.1007/s00162-020-00520-4.
https://doi.org/10.1007/s00162-020-00520-4

, Stephen Boyd, Stephen P. Boyd e Lieven Vandenberghe. Ottimizzazione convessa. Cambridge University Press, 2004. https:///doi.org/10.1017/CBO9780511804441.
https: / / doi.org/ 10.1017 / CBO9780511804441

, Daniel Bruder, Xun Fu e Ram Vasudevan. Vantaggi delle realizzazioni Koopman bilineari per la modellazione e il controllo di sistemi a dinamica sconosciuta. IEEE Robotics and Automation Letters, 6 (3): 4369–4376, 2021. https://doi.org/10.1109/LRA.2021.3068117.
https:///doi.org/10.1109/LRA.2021.3068117

, Steven L Brunton, Marko Budišić, Eurika Kaiser e J Nathan Kutz. Moderna teoria di Koopman per i sistemi dinamici. arXiv prestampa arXiv:2102.12086, 2021.
arXiv: 2102.12086

, Tayfun Çimen. Controllo dell'equazione di Riccati dipendente dallo stato (SDRE): un'indagine. IFAC Proceedings Volumes, 41 (2): 3761–3775, 2008. https://doi.org/10.3182/20080706-5-KR-1001.00635.
https:///doi.org/10.3182/20080706-5-KR-1001.00635

, Domenico d'Alessandro. Introduzione al controllo quantistico e alla dinamica. Chapman e Hall/CRC, 2021.

, Steven Diamond e Stephen Boyd. CVXPY: un linguaggio di modellazione integrato in Python per l'ottimizzazione convessa. Journal of Machine Learning Research, 17 (1): 2909–2913, gennaio 2016. ISSN 1532-4435.

, Daniel J Egger e Frank K Wilhelm. Controllo quantistico ottimale ibrido adattivo per sistemi caratterizzati in modo impreciso. Physical Review Letters, 112 (24): 240503, 2014. https://doi.org/10.1103/PhysRevLett.112.240503.
https: / / doi.org/ 10.1103 / PhysRevLett.112.240503

, Jens Eisert, Dominik Hangleiter, Nathan Walk, Ingo Roth, Damian Markham, Rhea Parekh, Ulysse Chabaud e Elham Kashefi. Certificazione quantistica e benchmarking. Nature Reviews Physics, 2 (7): 382–390, 2020. https://doi.org/10.1038/s42254-020-0186-4.
https://doi.org/10.1038/s42254-020-0186-4

, Utku Eren, Anna Prach, Başaran Bahadır Koçer, Saša V Raković, Erdal Kayacan e Behçet Açıkmeşe. Controllo predittivo del modello nei sistemi aerospaziali: stato attuale e opportunità. Journal of Guidance, Control, and Dynamics, 40 (7): 1541–1566, 2017. https://doi.org/10.2514/1.G002507.
https:///doi.org/10.2514/1.G002507

, Paolo Falcone, Francesco Borrelli, Jahan Asgari, Hongtei Eric Tseng e Davor Hrovat. Controllo predittivo attivo dello sterzo per sistemi di veicoli autonomi. IEEE Transactions on control systems technology, 15 (3): 566–580, 2007. https://doi.org/10.1109/TCST.2007.894653.
https:///doi.org/10.1109/TCST.2007.894653

, David D Fan, Ali-akbar Agha-mohammadi e Evangelos A Theodorou. Tubi di apprendimento profondo per tubo MPC. In Robotica: scienza e sistemi XVI (2020), 2020. https://doi.org/10.15607/RSS.2020.XVI.087.
https:///doi.org/10.15607/RSS.2020.XVI.087

, Carl Folkestad e Joel W Burdick. Koopman NMPC: apprendimento basato su Koopman e controllo predittivo del modello non lineare di sistemi affini al controllo. Nel 2021 IEEE International Conference on Robotics and Automation (ICRA), pagine 7350–7356. IEEE, 2021. https:///doi.org/10.1109/ICRA48506.2021.9562002.
https:///doi.org/10.1109/ICRA48506.2021.9562002

, Dimitris Giannakis, Amelia Henriksen, Joel A Tropp e Rachel Ward. Imparare a prevedere i sistemi dinamici dai dati in streaming. arXiv prestampa arXiv:2109.09703, 2021.
arXiv: 2109.09703

, Steffen J Glaser, Ugo Boscain, Tommaso Calarco, Christiane P Koch, Walter Köckenberger, Ronnie Kosloff, Ilya Kuprov, Burkhard Luy, Sophie Schirmer, Thomas Schulte-Herbrüggen, et al. Addestramento del gatto di Schrödinger: controllo ottimale quantistico. The European Physical Journal D, 69 (12): 1–24, 2015. https://doi.org/10.1140/epjd/e2015-60464-1.
https: / / doi.org/ 10.1140 / epjd / e2015-60464-1

, Michael Goerz, Daniel Basilewitsch, Fernando Gago-Encinas, Matthias G Krauss, Karl P Horn, Daniel M Reich e Christiane Koch. Krotov: un'implementazione Python del metodo di krotov per il controllo ottimale quantistico. SciPost Physics, 7 (6): 080, 2019. https:///doi.org/10.21468/SciPostPhys.7.6.080.
https: / / doi.org/ 10.21468 mila / SciPostPhys.7.6.080

, Michael H Goerz, Daniel M Reich e Christiane P Koch. Teoria del controllo ottimo per un'operazione unitaria sotto evoluzione dissipativa. New Journal of Physics, 16 (5): 055012, 2014. https://doi.org/10.1088/1367-2630/16/5/055012.
https://doi.org/10.1088/1367-2630/16/5/055012

, Andy Goldschmidt, Eurika Kaiser, Jonathan L Dubois, Steven L Brunton e J Nathan Kutz. Decomposizione in modalità dinamica bilineare per il controllo quantistico. New Journal of Physics, 23 (3): 033035, 2021. https://doi.org/10.1088/1367-2630/abe972.
https: / / doi.org/ 10.1088 / 1367-2630 / abe972

, Daniel Gorges. Relazioni tra controllo predittivo del modello e apprendimento per rinforzo. IFAC-PapersOnLine, 50 (1): 4920–4928, 2017. https:///doi.org/10.1016/j.ifacol.2017.08.747.
https:///doi.org/10.1016/j.ifacol.2017.08.747

, Sébastien Gros, Mario Zanon, Rien Quirynen, Alberto Bemporad e Moritz Diehl. Da MPC lineare a non lineare: colmare il divario tramite l'iterazione in tempo reale. International Journal of Control, 93 (1): 62–80, 2020. https:///doi.org/10.1080/00207179.2016.1222553.
https: / / doi.org/ 10.1080 / 00207179.2016.1222553 mila

, Stefanie Günther, N. Anders Petersson e Jonathan L. DuBois. Quandary: un pacchetto C++ open source per il controllo ottimale ad alte prestazioni di sistemi quantistici aperti. Nel 2021 IEEE/ACM Second International Workshop on Quantum Computing Software (QCS), pagine 88–98, 2021. https://doi.org/10.1109/QCS54837.2021.00014.
https:///doi.org/10.1109/QCS54837.2021.00014

, IN Hincks, CE Granade, Troy W Borneman e David G Cory. Controllo di dispositivi quantistici con hardware non lineare. Physical Review Applied, 4 (2): 024012, 2015. https://doi.org/10.1103/PhysRevApplied.4.024012.
https: / / doi.org/ 10.1103 / PhysRevApplied.4.024012

, Roger A. Corno e Charles R. Johnson. Argomenti nell'analisi della matrice. Cambridge University Press, 1991. https:///doi.org/10.1017/CBO9780511840371.
https: / / doi.org/ 10.1017 / CBO9780511840371

, Brian E Jackson, Tarun Punnoose, Daniel Neamati, Kevin Tracy, Rianna Jitosho e Zachary Manchester. ALTRO-C: un risolutore rapido per il controllo predittivo del modello conico. In International Conference on Robotics and Automation (ICRA), Xi'an, Cina, pagina 8, 2021. https://doi.org/10.1109/ICRA48506.2021.9561438.
https:///doi.org/10.1109/ICRA48506.2021.9561438

, J Robert Johansson, Paul D Nation e Franco Nori. QuTiP: un framework Python open source per la dinamica dei sistemi quantistici aperti. Computer Physics Communications, 183 (8): 1760–1772, 2012. https://doi.org/10.1016/j.cpc.2012.02.021.
https: / / doi.org/ 10.1016 / j.cpc.2012.02.021

, JR Johansson, Nazione PD, e Franco Nori. QuTiP 2: un framework Python per la dinamica dei sistemi quantistici aperti. Computer Physics Communications, 184 (4): 1234–1240, apr 2013. https://doi.org/10.1016/j.cpc.2012.11.019.
https: / / doi.org/ 10.1016 / j.cpc.2012.11.019

, Eurika Kaiser, J Nathan Kutz e Steven L Brunton. Identificazione sparsa di dinamiche non lineari per il controllo predittivo del modello nel limite di dati bassi. Atti della Royal Society of London A, 474 (2219), 2018. https://doi.org/10.1098/rspa.2018.0335.
https: / / doi.org/ 10.1098 / rspa.2018.0335

, Julian Kelly, Rami Barends, Brooks Campbell, Yu Chen, Zijun Chen, Ben Chiaro, Andrew Dunsworth, Austin G. Fowler, IC Hoi, Evan Jeffrey e altri. Controllo quantistico ottimale mediante benchmarking randomizzato. Physical Review Letters, 112 (24): 240504, 2014. https://doi.org/10.1103/PhysRevLett.112.240504.
https: / / doi.org/ 10.1103 / PhysRevLett.112.240504

, Navin Khaneja, Timo Reiss, Cindie Kehlet, Thomas Schulte-Herbrüggen e Steffen J Glaser. Controllo ottimale delle dinamiche di spin accoppiato: progettazione di sequenze di impulsi NMR mediante algoritmi di salita del gradiente. Journal of Magnetic Resonance, 172 (2): 296–305, 2005. https://doi.org/10.1016/j.jmr.2004.11.004.
https: / / doi.org/ 10.1016 / j.jmr.2004.11.004

, Martin Kliesch e Ingo Roth. Teoria della certificazione del sistema quantistico. PRX Quantum, 2 (1): 010201, 2021. https:///doi.org/10.1103/PRXQuantum.2.010201.
https: / / doi.org/ 10.1103 / PRXQuantum.2.010201

, BO Koopmann. Sistemi hamiltoniani e trasformazioni nello spazio di Hilbert. Atti della National Academy of Sciences, 17 (5): 315–318, maggio 1931. https://doi.org/10.1073/pnas.17.5.315.
https: / / doi.org/ 10.1073 / pnas.17.5.315

, BO Koopman e J. contro Neumann. Sistemi dinamici di spettri continui. Atti della National Academy of Sciences, 18 (3): 255–263, mar 1932. https://doi.org/10.1073/pnas.18.3.255.
https: / / doi.org/ 10.1073 / pnas.18.3.255

, Milan Korda e Igor Mezić. Predittori lineari per sistemi dinamici non lineari: l'operatore di Koopman incontra il controllo predittivo del modello. Automatica, 93: 149–160, 2018. https:///doi.org/10.1016/j.automatica.2018.03.046.
https:///doi.org/10.1016/j.automatica.2018.03.046

, Philip Krantz, Morten Kjaergaard, Fei Yan, Terry P Orlando, Simon Gustavsson e William D Oliver. La guida di un ingegnere quantistico ai qubit superconduttori. Recensioni di fisica applicata, 6 (2): 021318, 2019. https://doi.org/10.1063/1.5089550.
https: / / doi.org/ 10.1063 / 1.5089550 mila

, Jay H Lee e N Lawrence Ricker. Controllo predittivo del modello non lineare basato sul filtro di Kalman esteso. Ricerca chimica industriale e ingegneristica, 33 (6): 1530–1541, 1994.

, Boxi Li, Shahnawaz Ahmed, Sidhant Saraogi, Neill Lambert, Franco Nori, Alexander Pitchford e Nathan Shammah. Circuiti quantistici rumorosi a livello di impulso con qutip. Quantum, 6: 630, 2022. https:///doi.org/10.22331/q-2022-01-24-630.
https://doi.org/10.22331/q-2022-01-24-630

, Brett T Lopez, Jean-Jacques E Slotine e Jonathan P How. MPC tubo dinamico per sistemi non lineari. Nel 2019 American Control Conference (ACC), pagine 1655–1662. IEEE, 2019. https:///doi.org/10.23919/ACC.2019.8814758.
https:///doi.org/10.23919/ACC.2019.8814758

, Shai Machnes, Elie Assémat, David Tannor e Frank K Wilhelm. Ottimizzazione regolabile, flessibile ed efficiente degli impulsi di controllo per qubit pratici. Physical Review Letters, 120 (15): 150401, 2018. https://doi.org/10.1103/PhysRevLett.120.150401.
https: / / doi.org/ 10.1103 / PhysRevLett.120.150401

, Easwar Magesan e Jay M. Gambetta. Modelli hamiltoniani efficaci della porta a risonanza incrociata. Physical Review A, 101 (5): 052308, 2020. https:///doi.org/10.1103/PhysRevA.101.052308.
https: / / doi.org/ 10.1103 / PhysRevA.101.052308

, David Q Mayne, James B Rawlings, Christopher V Rao e Pierre OM Scokaert. Controllo predittivo del modello vincolato: stabilità e ottimalità. Automatica, 36 (6): 789–814, 2000. https:///doi.org/10.1016/S0005-1098(99)00214-9.
https://doi.org/10.1016/S0005-1098(99)00214-9

, David Q Mayne, María M Seron e SV Raković. Robusto modello di controllo predittivo di sistemi lineari vincolati con disturbi limitati. Automatica, 41 (2): 219–224, 2005. https:///doi.org/10.1016/j.automatica.2004.08.019.
https:///doi.org/10.1016/j.automatica.2004.08.019

, David C McKay, Thomas Alexander, Luciano Bello, Michael J Biercuk, Lev Bishop, Jiayin Chen, Jerry M Chow, Antonio D Córcoles, Daniel Egger, Stefan Filipp, et al. Specifiche del backend Qiskit per gli esperimenti OpenQASM e OpenPulse. arXiv prestampa arXiv:1809.03452, 2018.
arXiv: 1809.03452

, Igor Mezic. Proprietà spettrali dei sistemi dinamici, riduzione del modello e scomposizioni. Dinamica non lineare, 41 (1-3): 309–325, 2005. https://doi.org/10.1007/s11071-005-2824-x.
https: / / doi.org/ 10.1007 / s11071-005-2824-x

, Igor Mezic. Analisi dei flussi di fluido tramite proprietà spettrali dell'operatore di Koopman. Annual Review of Fluid Mechanics, 45: 357–378, 2013. https://doi.org/10.1146/annurev-fluid-011212-140652.
https:///doi.org/10.1146/annurev-fluid-011212-140652

, Thomas M. Moerland, Joost Broekens e Catholijn M. Jonker. Apprendimento per rinforzo basato su modello: un sondaggio. arXiv prestampa arXiv:2006.16712, 2020.
arXiv: 2006.16712

, Felix Motzoi, Jay M. Gambetta, Patrick Rebentrost e Frank K. Wilhelm. Semplici impulsi per l'eliminazione delle perdite in qubit debolmente non lineari. Physical Review Letters, 103 (11): 110501, 2009. https://doi.org/10.1103/PhysRevLett.103.110501.
https: / / doi.org/ 10.1103 / PhysRevLett.103.110501

, Murphy Yuezhen Niu, Sergio Boixo, Vadim N Smelyanskiy e Hartmut Neven. Controllo quantistico universale attraverso l'apprendimento per rinforzo profondo. npj Quantum Information, 5 (1): 1–8, 2019. https://doi.org/10.1038/s41534-019-0141-3.
https://doi.org/10.1038/s41534-019-0141-3

, Jorge Nocedal e Stephen Wright. Ottimizzazione numerica. Springer Science & Business Media, 2006. https:///doi.org/10.1007/b98874.
https: / / doi.org/ 10.1007 / b98874

, Feliks Nüske, Sebastian Peitz, Friedrich Philipp, Manuel Schaller e Karl Worthmann. Limiti di errore di dati finiti per la previsione e il controllo basati su Koopman. arXiv prestampa arXiv:2108.07102, 2021.
arXiv: 2108.07102

, Sebastian Peitz e Stefan Klus. Riduzione del modello basata sull'operatore di Koopman per il controllo a sistema commutato di PDE. Automatica, 106: 184–191, 2019. https:///doi.org/10.1016/j.automatica.2019.05.016.
https:///doi.org/10.1016/j.automatica.2019.05.016

, Sebastian Peitz, Samuel E Otto e Clarence W Rowley. Controllo predittivo del modello basato sui dati utilizzando generatori Koopman interpolati. SIAM Journal on Applied Dynamical Systems, 19 (3): 2162–2193, 2020. https://doi.org/10.1137/20M1325678.
https: / / doi.org/ 10.1137 / 20M1325678

, Seth D Pendergrass, J Nathan Kutz e Steven L Brunton. Valore singolare della GPU in streaming e decomposizioni in modalità dinamica. arXiv prestampa arXiv:1612.07875, 2016.
arXiv: 1612.07875

, Minh Q Phan e Seyed Mahdi B Azad. Modello predittivo Q-learning (MPQ-L) per sistemi bilineari. In Modellazione, simulazione e ottimizzazione di processi complessi HPSC 2018, pagine 97–115. Springer, 2021. https:///doi.org/10.1007/978-3-030-55240-4_5.
https://doi.org/10.1007/978-3-030-55240-4_5

, Thomas Propson, Brian E Jackson, Jens Koch, Zachary Manchester e David I Schuster. Robusto controllo quantistico ottimale con ottimizzazione della traiettoria. Physical Review Applied, 17 (1): 014036, 2022. https://doi.org/10.1103/PhysRevApplied.17.014036.
https: / / doi.org/ 10.1103 / PhysRevApplied.17.014036

, S Joe Qin e Thomas A Badgwell. Un'indagine sulla tecnologia di controllo predittivo del modello industriale. Control engineering practice, 11 (7): 733–764, 2003. https://doi.org/10.1016/S0967-0661(02)00186-7.
https://doi.org/10.1016/S0967-0661(02)00186-7

, Saša V Raković e William S Levine. Manuale di controllo predittivo del modello. Springer, 2018. https:///doi.org/10.1007/978-3-319-77489-3.
https://doi.org/10.1007/978-3-319-77489-3

, Mohan Sarovar, Timothy Proctor, Kenneth Rudinger, Kevin Young, Erik Nielsen e Robin Blume-Kohout. Rilevamento degli errori di diafonia nei processori di informazioni quantistiche. Quantum, 4: 321, 2020. https:///doi.org/10.22331/q-2020-09-11-321.
https://doi.org/10.22331/q-2020-09-11-321

, Manuel Schaller, Karl Worthmann, Friedrich Philipp, Sebastian Peitz e Feliks Nüske. Verso un controllo basato su previsione efficiente e affidabile utilizzando eDMD. arXiv prestampa arXiv:2202.09084, 2022.
arXiv: 2202.09084

, Yunong Shi, Nelson Leung, Pranav Gokhale, Zane Rossi, David I Schuster, Henry Hoffmann e Frederic T Chong. Compilazione ottimizzata di istruzioni aggregate per computer quantistici realistici. In Proceedings of the Twenty-Fourth International Conference on Architectural Support for Programming Languages and Operating Systems, pagine 1031–1044, 2019. https://doi.org/10.1145/3297858.3304018.
https: / / doi.org/ 10.1145 / 3297858.3304018 mila

, Henrique Silvério, Sebastián Grijalva, Constantin Dalyac, Lucas Leclerc, Peter J Karalekas, Nathan Shammah, Mourad Beji, Louis-Paul Henry e Loïc Henriet. Pulser: un pacchetto open source per la progettazione di sequenze di impulsi in array di atomi neutri programmabili. Quantum, 6: 629, 2022. https:///doi.org/10.22331/q-2022-01-24-629.
https://doi.org/10.22331/q-2022-01-24-629

, B. Stellato, G. Banjac, P. Goulart, A. Bemporad, and S. Boyd. OSQP: un risolutore di suddivisione dell'operatore per programmi quadratici. Calcolo della programmazione matematica, 12 (4): 637–672, 2020. https://doi.org/10.1007/s12532-020-00179-2.
https://doi.org/10.1007/s12532-020-00179-2

, Pauli Virtanen, Ralf Gommers, Travis E. Oliphant, Matt Haberland, Tyler Reddy, David Cournapeau, Evgeni Burovski, Pearu Peterson, Warren Weckesser, Jonathan Bright, Stéfan J. van der Walt, Matthew Brett, Joshua Wilson, K. Jarrod Millman, Nikolay Mayorov, Andrew RJ Nelson, Eric Jones, Robert Kern, Eric Larson, CJ Carey, İlhan Polat, Yu Feng, Eric W. Moore, Jake VanderPlas, Denis Laxalde, Josef Perktold, Robert Cimrman, Ian Henriksen, EA Quintero, Charles R. Harris, Anne M. Archibald, Antônio H. Ribeiro, Fabian Pedregosa, Paul van Mulbregt e SciPy 1.0 Collaboratori. SciPy 1.0: algoritmi fondamentali per il calcolo scientifico in Python. Nature Methods, 17: 261–272, 2020. https:///doi.org/10.1038/s41592-019-0686-2.
https://doi.org/10.1038/s41592-019-0686-2

, John von Neumann, Robert T. Beyer e Nicholas A. Wheeler. Fondamenti matematici della meccanica quantistica. Princeton University Press, edizione 2018, 1932. ISBN 9780691178561. https:///doi.org/10.1515/9781400889921.
https: / / doi.org/ 10.1515 / 9781400889921 mila

, Yang Wang e Stephen Boyd. Controllo predittivo rapido del modello utilizzando l'ottimizzazione online. IEEE Transactions on control systems technology, 18 (2): 267–278, 2009. https://doi.org/10.1109/TCST.2009.2017934.
https:///doi.org/10.1109/TCST.2009.2017934

, Manuel Watter, Jost Springenberg, Joschka Boedecker e Martin Riedmiller. Incorpora per controllare: un modello di dinamica latente localmente lineare per il controllo da immagini non elaborate. Progressi nei sistemi di elaborazione delle informazioni neurali, 28, 2015.

, Max Werninghaus, Daniel J Egger, Federico Roy, Shai Machnes, Frank K Wilhelm e Stefan Filipp. Riduzione delle perdite in porte qubit superconduttive veloci tramite controllo ottimale. npj Quantum Information, 7 (1): 1–6, 2021. https://doi.org/10.1038/s41534-020-00346-2.
https://doi.org/10.1038/s41534-020-00346-2

, Nicolas Wittler, Federico Roy, Kevin Pack, Max Werninghaus, Anurag Saha Roy, Daniel J Egger, Stefan Filipp, Frank K Wilhelm e Shai Machnes. Set di strumenti integrati per il controllo, la calibrazione e la caratterizzazione di dispositivi quantistici applicati a qubit superconduttori. Physical Review Applied, 15 (3): 034080, 2021. https://doi.org/10.1103/PhysRevApplied.15.034080.
https: / / doi.org/ 10.1103 / PhysRevApplied.15.034080

, Xian Wu, SL Tomarken, N Anders Petersson, LA Martinez, Yaniv J Rosen e Jonathan L DuBois. Logica quantistica definita da software ad alta fedeltà su un qudit superconduttore. Physical Review Letters, 125 (17): 170502, 2020. https://doi.org/10.1103/PhysRevLett.125.170502.
https: / / doi.org/ 10.1103 / PhysRevLett.125.170502

, Hao Zhang, Clarence W Rowley, Eric A Deem e Louis N Cattafesta. Decomposizione in modalità dinamica online per sistemi variabili nel tempo. SIAM Journal on Applied Dynamical Systems, 18 (3): 1586–1609, 2019. https://doi.org/10.1137/18M1192329.
https: / / doi.org/ 10.1137 / 18M1192329

, Tianhao Zhang, Gregory Kahn, Sergey Levine e Pieter Abbeel. Apprendimento di politiche di controllo approfondite per veicoli aerei autonomi con la ricerca di politiche guidata da MPC. Nel 2016 IEEE International Conference on Robotics and Automation (ICRA), pagine 528–535. IEEE, 2016. https:///doi.org/10.1109/ICRA.2016.7487175.
https:///doi.org/10.1109/ICRA.2016.7487175

Citato da

[1] Christiane P. Koch, Ugo Boscain, Tommaso Calarco, Gunther Dirr, Stefan Filipp, Steffen J. Glaser, Ronnie Kosloff, Simone Montangero, Thomas Schulte-Herbrüggen, Dominique Sugny e Frank K. Wilhelm, “Quantum ottimo controllo in tecnologie quantistiche. Rapporto strategico su stato attuale, visioni e obiettivi per la ricerca in Europa”, arXiv: 2205.12110.

Le citazioni sopra sono di ANNUNCI SAO / NASA (ultimo aggiornamento riuscito 2022-10-16 03:18:53). L'elenco potrebbe essere incompleto poiché non tutti gli editori forniscono dati di citazione adeguati e completi.

On Il servizio citato da Crossref non sono stati trovati dati su citazioni (ultimo tentativo 2022-10-16 03:18:51).

Questo documento è pubblicato in Quantum sotto il Creative Commons Attribuzione 4.0 Internazionale (CC BY 4.0) licenza. Il copyright rimane dei detentori del copyright originali come gli autori o le loro istituzioni.