新的量子反馈控制方法使用物理信息神经网络记忆

研究人员开发了一种名为 Kraus-Parameterized Belief Reinforcement Learning 的新方法，用于量子反馈控制。该方法使用一个约束在 Stiefel 流形上的循环编码器来生成物理上始终有效的精确密度矩阵估计。然后，一个 Proximal Policy Optimization 演员利用这些信念状态来指导连续控制动作。在模拟中，该方法证明了对受监控量子比特的稳定反馈控制，实现了约 0.77-0.80 的信念保真度，并且与标准的 LSTM 基线相比，在挑战性条件下表现出更低的返回方差。 AI

影响 这种物理信息方法有可能通过改进对嘈杂量子态的控制来带来更可靠的量子计算系统。

排序理由 该集群包含一篇详细介绍量子反馈控制新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Kraus-Parameterized Belief Reinforcement Learning
• long short-term memory
• Proximal Policy Optimization
• ScienceCast
• Stiefel manifold

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →