QMaxCal: 기르사노프의 정리를 통한 개방형 양자 제어를 위한 경로 공간 정규화
QMaxCal: Path-Space Regularization for Open Quantum Control via Girsanov's Theorem
한국어 초록
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.
원문 초록
Reliable quantum control in the presence of decoherence requires policies that combat the effect of environmental noise on the controlled dynamics. Open quantum systems under continuous monitoring generate classical measurement records whose drift depends on the noise experienced by the system; the records of two evolutions sharing the same decoherence channels differ only in this drift, so Girsanov's theorem yields a closed-form, differentiable estimator of the KL divergence between their trajectory distributions. We instantiate this estimator with two physically motivated reference measures, yielding two regularizers that both drive the system toward states where the effects of decoherence are minimal: the Wiener KL (KL_W), which is empirically more effective under certain conditions on the noise model, and the drift-variance regularizer (R_DV), which works for all noise models. Both are qualitatively distinct from existing penalties on control fluence or smoothness: they penalize the observable consequences of control on the decoherence channels rather than the control amplitude itself. The regularizers outperform unregularized gradient-based and reinforcement-learning baselines across a range of open quantum systems -- including single- and multi-qubit benchmarks and a multi-qubit chain calibrated to a published snapshot of the IBM Kingston processor -- along several axes of evaluation: final-state fidelity, robustness to mismatch in the assumed noise model (gains grow from +17 pp at training noise to +27 pp under 2.5x noise mismatch), and occupation of forbidden states. The regularizers reduce infidelity by up to 50%, with ~16% gains on the calibrated IBM Kingston chain.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.19947v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
시나리오 기반 모델 예측 제어의 학습 기반 가속
Learning-enabled Acceleration of Scenario-based Model Predictive Control
KL 발산을 통한 궤적 정규화 확률적 최적 제어
Trajectory-Regularized Stochastic Optimal Control via KL Divergence
우리는 표준 확률적 최적 제어(SOC)에 제어된 궤적 분포와 기준 궤적 분포 사이의 쿨백-라이블러(KL) 발산을 증강한 궤적 정규화 확률적 최적 제어(TRSOC)를 소개한다. 기르사노프 정리를 활용하면 궤적 KL은 2차 드리프트 불일치 페널티로 단순화되어 동적 계획법(DP) 구조를 보존하는 수정된 실행 비용을 산출한다. 우리는 이에 대응하는 해밀턴-야코비-벨만(HJB) 방정식을 유도하고 최적 정책을 특성화한다. 선형-2차(LQ) 설정에서 이 정식화는 증강된 제어 비용을 갖는 닫힌 형태의 해를 허용한다. 실험을 통해 정규화 매개변수가 성능 중심 행동과 기준 보존 행동 간의 절충(trade-off)을 유도함을 보이며, 여기에는 오프라인 데이터로부터 학습된 기준 동역학을 사용하는 경우가 포함된다.
결정론적 정책을 이용한 확장 평균장 제어를 위한 액터-크리틱 학습
Actor-Critic Learning for Extended Mean Field Control with Deterministic Policies
본 논문은 연속시간 확장 평균장 제어 문제를 위한 모델 프리(model-free) 강화학습(reinforcement learning) 프레임워크를 개발한다. 이 문제에서는 동역학과 보상(reward) 모두 상태와 제어의 결합 분포에 의존할 수 있다. 우리는 결정론적 피드백 정책을 채택하며, 이 정책 하에서 상태-행동 분포는 상태 분포의 푸시포워드(push-forward)로 직접 유도된다. 이를 통해 확률적 커널에 대한 최적화를 피하고, 확장 평균장 설정에서 기존 접근법의 핵심 한계를 우회한다. 먼저 매개변수화된(parameterized) McKean-Vlasov 동역학에 대한 모델 프리 감도 공식을 수립하고, 이를 활용하여 Wasserstein 공간 위의 어드밴티지-레이트 함수(advantage-rate function)를 통해 표현되는 결정론적 정책 그래디언트(policy gradient) 공식을 도출한다. 이어서 상태, 행동, 결합 상태-행동 분포에 의존하는 국소 가치 및 어드밴티지-레이트 표현을 도입하여 이 공식을 정제하며, 행동 도함수(derivative)와 제어 분포에 대한 측도 도함수 항을 모두 포함하는 정책 그래디언트를 산출한다. 이러한 특성화는 마팅게일 기반 학습 원리로 이어지며, 입자 근사(particle approximation), 측도 의존 신경망, 시간차 학습(temporal-difference learning), 행동 또는 매개변수 공간에서의 탐험(exploration)을 결합한 연속시간 심층 결정론적 정책 그래디언트 알고리즘을 동기부여한다. 확률적 Cucker-Smale 합의 제어 및 거래 집중을 수반하는 최적 청산 문제에 대한 수치 실험을 통해, 제어 분포에 대한 명시적 의존성을 포함하는 문제에서 제안된 방법의 효율성, 안정성, 강건성을 입증한다.
미분 가능 물리학 기반 재사용 발사체의 포화 인식 강인 궤적 최적화
Saturation-Aware Robust Trajectory Optimization for Reusable Launch Vehicles via Differentiable Physics
재사용 발사체의 고받음각 플립 기동(high-angle-of-attack flip maneuver)은 고도의 비선형 동역학, 공력 불확실성, 그리고 액추에이터 포화의 복합적 영향으로 인해 강인한 궤적 최적화에 상당한 어려움을 제기한다. 본 논문은 포화 인식 강인 궤적 최적화를 위한 미분 가능 물리학 프레임워크를 제안한다. 핵심으로, 앙상블 기반 분포 형성 전략을 통해 불확실성 전파를 최적화하는 미분 가능 파티클 튜브 제어(DPTC, Differentiable Particle Tube Control) 기법이 개발되었다. 상태 불확실성은 라그랑지안 파티클 앙상블로 표현되며, 엄격한 액추에이터 투영 연산자(hard actuator projection operators)가 계산 그래프에 직접 내장됨으로써, 명목 피드포워드 궤적과 시변 피드백 정책의 종단 간 역전파를 통한 결합 최적화가 가능하다. 제안된 프레임워크는 자동 미분 기반 순차 볼록화(AD-SCvx, Automatic Differentiation-based Successive Convexification) 기준선과 기존의 공분산 조종(covariance steering) 피드백 전략을 결합한 방식과 비교 평가된다. 6자유도 몬테카를로 시뮬레이션 결과, 기준선이 명목 연료 최적 해를 달성하는 반면, 비제약 피드백 구성이 공력 교란 하에서 액추에이터 포화에 취약해져 폐루프 강인성이 저하됨을 보인다. 이와 대조적으로, 제안된 DPTC 프레임워크는 중요한 제어 권한(control authority)을 보존하기 위해 공간 추적을 완화함으로써 제약 인식 성능 절충을 능동적으로 수행한다. 이러한 결과는 미분 가능 물리학과 앙상블 기반 최적화의 통합이 고도로 제약된 항공우주 비행 시스템에서의 강인한 유도(guidance)를 위한 효과적이고 실용적인 프레임워크를 제공함을 입증한다.
The Shadow Price of Intelligence: Quality Degradation and Retry Feedback in LLM Inference
강볼록 집합 상의 무작위화 선형 오라클 최적화에 대한 하한
Lower Bounds for Randomized Linear-Oracle Optimization over Strongly Convex Sets
토론
이 논문과 연결된 포럼 글이 아직 없습니다.