量子状態制御と機械学習を用いた量子科学の変革

利用量子态控制和机器学习改变量子科学

• 批准号: 21K19761
• 负责人: 寺師 弘二
• 金额: $ 3.91万
• 依托单位: The University of Tokyo
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Challenging Research (Exploratory)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-07-09 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-21K19761/
• 关键词: 量子機械学習; 量子ダイナミクスシミュレーション; 量子コンピュータ; 量子状態制御; 機械学習

本研究の目的は、NISQコンピュータを「目的とする量子系を実現する」ための量子状態生成マシンとして活用し、全体の量子系が一つの「高位量子計算機」として機能する計算モデルを提案することである。そのために、1)ある量子物理系とその状態関数、2)量子状態を学習するためのNISQマシンの二つを開発の土台とする。令和4年度は、「量子データを入力とする量子機械学習(QML)」の高度化と「量子微分解析と状態制御を行うモデル」の初期的な設計を進めた。量子データ入力のQMLでは、素粒子生成過程の量子ダイナミクスシミュレーションと横磁場イジング模型の時間発展シミュレーションを使って、期待される波動関数が生成されていることを確認した。さらに、QMLの量子回路として採用した「量子畳み込みニューラルネットワーク」(QCNN)によって、粒子間の結合定数やフェルミオンのフレーバー識別が可能なことを確認した。また、問題の性質を考慮しない一般的な量子回路(HEA)との比較によって、HEAではフレーバー識別が難しい状況でもQCNNは高い識別性能を持つケースがあることも判明した。素粒子生成過程の量子シミュレーションデータを入力とするQMLは初めての試みであり、その成果をまとめる段階に進んでいる。量子微分解析が可能なモデルとして、ニューラルネットワークを用いた強化学習と微分可能プログラミングに着想を得た状態制御のモデルを検討してきた。先行研究(F. Schafer et al., 2020)では、古典強化学習を使って量子状態を所望の状態へと時間発展させる手法が使われている。この手法をベースに、シンプルな1量子ビット系で同様の状態制御が可能なことを数値的に確かめた。今後はスピン系のハミルトニアンで記述される量子系を考え、そのハミルトニアンへの付加項を調節することで所望の状態へと時間発展させる仕組みを実装する。

は の purpose, this study NISQ コ ン ピ ュ ー タ を "purpose と す る quantum system を be presently す る 'た め の quantum state generated マ シ ン と し て use し quantum system, all the の が a つ の" quantum computer "high と し て function す る computing モ デ ル を proposal す る こ と で あ る. そ の た め に, 1) あ る quantum physics と そ の state number of masato, 2) the study of quantum state を す る た め の NISQ マ シ ン の two つ を open 発 の TuTai と す る. And 4 year は, "quantum デ ー タ を と into force す る quantum mechanical learning (QML)" の と empirically analytical と state suppression "quantum differential line を う モ デ ル" early の を な design into め た. Quantum デ ー タ の into force QML で は, plain particle generation process の quantum ダ イ ナ ミ ク ス シ ミ ュ レ ー シ ョ ン と transverse magnetic field イ ジ ン グ model の time 発 exhibition シ ミ ュ レ ー シ ョ ン を make っ て, expect さ れ る wave number of masato が generated さ れ て い る こ と を confirm し た. さ ら に, QML の quantum circuits と し て using し た "quantum 畳 み 込 み ニ ュ ー ラ ル ネ ッ ト ワ ー ク" (QCNN) に よ っ て, particle の combination between destiny や フ ェ ル ミ オ ン の フ レ ー バ ー recognize が could な こ と を confirm し た. ま た, nature problem の を consider し な い general な quantum circuits (HEA) と の is に よ っ て, HEA で は フ レ ー バ ー recognition が difficult し い condition で も QCNN は い high recognition performance を hold つ ケ ー ス が あ る こ と も.at し た. Pigment particle generation process の quantum シ ミ ュ レ ー シ ョ ン デ ー タ を と into force す る QML は early め て の try み で あ り, そ の results を ま と め る Duan Jie に into ん で い る. Quantum differential resolution が may な モ デ ル と し て, ニ ュ ー ラ ル ネ ッ ト ワ ー ク を with い た reinforcement learning と differential may プ ロ グ ラ ミ ン グ think に を must た state suppression の モ デ ル を beg し 検 て き た. Leading research (f. Schafer et al., 2020) で は, classical reinforcement learning を make っ て quantum state を promise の へ と time 発 exhibition さ せ る gimmick が make わ れ て い る. こ の gimmick を ベ ー ス に, シ ン プ ル な 1 quantum ビ ッ ト department で with others の state suppression が may な こ と を に was the numerical か め た. Future は ス ピ ン is の ハ ミ ル ト ニ ア ン で account さ れ る quantum え を test, そ の ハ ミ ル ト ニ ア ン へ の plus item を adjust す る こ と で hoped の state へ と time 発 exhibition さ せ る blackstone group み を be loaded す る.