PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.30358v2quant-ph

열린 양자계의 구조 학습

Learning the structure of open quantum systems

본 논문에서는 $n$-큐비트 상수 국소(constant-local) 린드블라디안(Lindbladian)의 계수를 $\varepsilon$ 오차 이내로 학습하는 알고리즘을 설계하며, 이때 총 진화 시간(total evolution time)은 $O(g d^2 \log(n) / \varepsilon^2)$이다. 여기서 $g$는 단일 사이트 에너지이고 $d$는 상호작용 그래프의 (근사) 차수이다. 린드블라디안은 해밀토니안(Hamiltonian)이라는 특수한 경우에서는 나타나지 않는 새로운 난제들을 제시하지만, 본 알고리즘은 최신 해밀토니안 학습 알고리즘들이 달성한 요구 조건들을 모두 충족한다. (1) 시간 분해능이 $Θ(1/g)$에 불과한 비적응형(non-adaptive)이자 보조 큐비트가 없는(ancilla-free) 무작위 파울리(Pauli) 측정 회로를 사용하고, (2) 미지의 린드블라디안 구조에 대한 사전 지식 없이도 작동하며, (3) 매끄러운 형태의 차수에 의존하므로 준국소(quasi-local) 및 멱법칙(power-law) 린드블라디안의 학습을 지원한다. 나아가, 본 알고리즘이 로그 인수를 제외하면 각 매개변수에서 최적임을 보이는 하한(lower bound)을 증명한다. 본 알고리즘은 단순한 반복적 방법(iterative method)으로, 목적 함수는 소수 사이트 영역으로 제한된 린드블라디안의 푸리에 계수로 구성된다. 이에 대한 분석을 통해 열린 시스템(open system)에 고유한 어려움인 이른바 "혼란(confusing)" 항들을 규명한다. 이러한 "혼란"이 제한적인 환경에서는 알고리즘의 성능이 향상된다. 실시간 진화에 접근 가능한 환경에서 해밀토니안의 구조를 학습하는 경우를 통해 이를 입증하며, 기존 연구보다 훨씬 단순한 새로운 알고리즘을 도출한다. 아울러 동일한 반복적 방법을 사용하여 고온 깁스 상태(Gibbs state)로부터 해밀토니안의 구조를 학습하는 최초의 효율적인 알고리즘을 설계한다.

arXiv:2606.19947v1quant-ph

QMaxCal: 기르사노프의 정리를 통한 개방형 양자 제어를 위한 경로 공간 정규화

QMaxCal: Path-Space Regularization for Open Quantum Control via Girsanov's Theorem

디코히어런스(decoherence)가 존재하는 상황에서 신뢰할 수 있는 양자 제어는 제어된 역학(dynamics)에 대한 환경 잡음의 영향을 상쇄하는 정책을 필요로 합니다. 연속 모니터링 하의 개방형 양자 시스템은 시스템이 겪는 잡음에 의존하는 드리프트(drift)를 가진 고전적 측정 기록을 생성합니다. 동일한 디코히어런스 채널을 공유하는 두 진화의 기록은 이 드리프트에서만 차이가 나므로, 기르사노프의 정리는 궤적 분포 사이의 KL 발산(Kullback-Leibler divergence)에 대한 닫힌 형식의 미분 가능한 추정기를 제공합니다. 우리는 물리적으로 동기가 부여된 두 가지 기준 척도로 이 추정기를 구체화하여, 시스템을 디코히어런스의 영향이 최소화되는 상태로 유도하는 두 가지 정규화기를 도출했습니다: 잡음 모델의 특정 조건 하에서 경험적으로 더 효과적인 위너 KL(Wiener KL, KL_W)과 모든 잡음 모델에 대해 작동하는 드리프트-분산 정규화기(drift-variance regularizer, R_DV)입니다. 둘 다 제어 플루언스(control fluence)나 평활성(smoothness)에 대한 기존 페널티와 질적으로 구별됩니다. 이들은 제어 진폭 자체가 아닌 디코히어런스 채널에 대한 제어의 관측 가능한 결과에 페널티를 부과합니다. 이 정규화기들은 단일 및 다중 큐비트 벤치마크와 IBM Kingston 프로세서의 공개된 스냅샷에 맞춰 보정된 다중 큐비트 체인을 포함한 다양한 개방형 양자 시스템에서 정규화되지 않은 그래디언트 기반 및 강화학습(reinforcement learning) 기준선을 여러 평가 지표에서 능가합니다: 최종 상태 피델리티(fidelity), 가정된 잡음 모델의 불일치에 대한 강건성(학습(training) 잡음에서 +17 pp에서 2.5배 잡음 불일치 하에서 +27 pp로 이득 증가), 금지 상태 점유 등이 있습니다. 정규화기는 비피델리티(infidelity)를 최대 50%까지 감소시키며, 보정된 IBM Kingston 체인에서는 약 16%의 이득을 보입니다.