[論文レビュー] Hamiltonian Learning with Online Bayesian Experiment Design in Practice

Ian Hincks, Thomas Alexander+3 more|arXiv (Cornell University)|Jun 6, 2018

Machine Learning in Materials Science被引用数 4

ひとこと要約

本論文は、ダイヤモンド中の窒素真空欠陥（NV）センターを対象として、量子系におけるハミルトニアン学習のためのオンラインベイジアン実験設計フレームワークを提案する。リアルタイムのベイジアン推論に基づき、逐次的に実験を選択することで、オフラインで事前に決定されたスイープに比べ、中央値の事後分散を10–100倍まで低減し、量子センシングおよびデバイス特性評価におけるパラメータ推定の効率を顕著に向上させた。

ABSTRACT

Estimating parameters of quantum systems is usually done by performing a sequence of predetermined experiments and post-processing the resulting data. It is known that online design, where the choice of the next experiment is based on the most up-to-date knowledge about the system, can offer speedups to parameter estimation. We apply online Bayesian experiment design to a Nitrogen Vacancy (NV) in diamond to learn the values of a five-parameter model describing its Hamiltonian and decoherence process. Comparing this to standard pre-determined experiment sweeps, we find that we can achieve median posterior variances on some parameters that are between 10 and 100 times better given the same amount of data. This has applications to NV magnetometry where one of the Hamiltonian coefficients is the parameter of interest. Furthermore, the methods that we use are generic and can be adapted to any quantum device.

研究の動機と目的

• 固定された実験シーケンスの代わりに、適応的でオンラインの実験設計を用いることで、量子ハミルトニアンパラメータ推定の効率を向上させること。
• ノイズが多く、非自明な量子系を対象とした実験的環境において、オンラインベイジアン実験設計が標準的なオフライン実験スイープを上回るかを評価すること。
• 実世界の量子デバイス（具体的にはダイヤモンド中のNVセンター）において、完全にベイジアン的でリスクを最小化するアプローチによる実験選択の実用的妥当性と性能向上を実証すること。
• NVセンターに限らず、広範な量子デバイスに適用可能な汎用的かつ柔軟なフレームワークを提供すること。
• オンラインとオフラインのヒューリスティクス間で、事後分散の低減と試行間のばらつきを比較することで、推定精度と一貫性の向上を定量化すること。

提案手法

• 各実験後にハミルトニアンパラメータの事後分布を逐次ベイジアン推論で更新し、未知パラメータの完全な確率分布を維持する。
• 将来の実験の可能性とその期待情報量に基づくリスクを定義し、重み付きベイズリスク最小化基準を用いてリアルタイムで次の実験を選択する。
• 制御パラメータ（例：パルス幅、時間遅延）を調整可能な多様な実験タイプ（例：ラマーシー、ラビ）を用い、パラメータ空間を適応的に探索する。
• 光学的初期化、マイクロ波制御、蛍光読み取りを含む、NVセンターのキュービット多様体を制御する実験装置と推論エンジンを統合する。
• 実験中に制御場を動的に切り替えることで、実験の柔軟性と情報量を向上させる。
• 複数のヒューリスティクス（オフライン：例、交互線形、ラマーシー・スイープ；オンライン：例、磁気測定重み付きリスク）を、同一のデータ収集条件で比較する。

実験結果

リサーチクエスチョン

• RQ1 実験的量子系において、標準的なオフライン実験スイープに比べ、オンラインベイジアン実験設計がハミルトニアンパラメータ推定における事後分散を顕著に低減できるか？
• RQ2 収束速度と独立試行間の一貫性という観点から、オンラインヒューリスティクスとオフラインヒューリスティクスの性能はどのように比較できるか？
• RQ3 オンラインヒューリスティクスは、目的パラメータ（例：ωₑによる磁場感度）に最も情報を与える実験をどれほど適切に優先するか？
• RQ4 完全なベイジアンリスク最小化フレームワークを用いることで、ヒューリスティクスベースや固定スイープ法に比べ、より予測可能で頑健な推定結果が得られるか？
• RQ5 オンライン学習における事後分散低減のスケーリング特性は何か？また、これは標準量子限界に近づくか？

主な発見

• オンラインヒューリスティクス「磁気測定重み付きリスク」は、200回の実験後、オフラインの「交互線形スイープ」と比較して、磁場パラメータωₑの中央値事後分散を2桁以上低減した。
• ωₑ以外のすべてのパラメータにタイトな事前分布が与えられた状況では、オンラインヒューリスティクスが、最良のオフラインヒューリスティクスよりも約1桁の事後分散低減を達成した。
• オンラインヒューリスティクスは独立試行間で著しく一貫性のある性能を示し、事後分散のばらつきが1桁未満であったのに対し、オフラインのラマーシー・スイープでは最大4桁のばらつきを示した。
• オンライン実験設計戦略は、指数関数的から標準量子限界（SQL）へのスケーリングを達成し、理論的予想と過去のハミルトニアン推定研究と整合的であった。
• ωₑの推定を最優先とした場合、オンラインヒューリスティクスは主にラマーシー実験を選択した。これは、ターゲットパラメータに最も情報を与える実験タイプに焦点を当てる能力を確認するものであった。
• 学習の過渡期では、有効サンプルサイズ（ESM）に対して分散が指数関数的に減少し、システムのコherenveと実験時間の最適化が終了すると、SQLスケーリングに移行した。