[論文レビュー] Quantum parameter estimation with a neural network

Eliška Greplová, Christian Kraglund Andersen+1 more|arXiv (Cornell University)|Nov 14, 2017

Quantum Information and Cryptography参考文献 5被引用数 9

ひとこと要約

この論文では、ベイズ推論の複雑さを回避するために、連続測定信号から量子パラメータ（例えばラビ周波数や崩壊率）を推定するために畳み込みニューラルネットワーク（CNN）を提案している。この手法は、検出器の不具合が存在する状況でも高い精度でパラメータ推定を実現し、ノイズが多く非マルコフ的である条件下でも平均推定誤差が0.01 MHz未満で、従来手法を上回る性能を示している。

ABSTRACT

We propose to use neural networks to estimate the rates of coherent and incoherent processes in quantum systems from continuous measurement records. In particular, we adapt an image recognition algorithm to recognize the patterns in experimental signals and link them to physical quantities. We demonstrate that the parameter estimation works unabatedly in the presence of detector imperfections which complicate or rule out Bayesian filter analyses.

研究の動機と目的

• 明示的な動的モデルに依存せずに、連続測定記録から量子系のパラメータを推定する機械学習手法の開発。
• デッドタイム、有限帯域幅、非効率的検出といった検出器の不具合が生じる状況において、ベイズ推定の限界を克服すること。
• 標準的な尤度ベースの手法が計算不能になる現実的な実験条件において、頑健なパラメータ推定を可能にすること。
• ニューラルネットワークが、物理的原理を明示的にプログラムしないまま、シミュレートされた訓練データから複雑な信号-パラメータマッピングを直接学習できることを示すこと。
• マーカフ的および非マーカフ的状況の両方で、ベイズ推定と比較して同等または優れた性能を示すことを検証すること。

提案手法

• 連続測定信号を一次元の「画像」として扱い、畳み込みニューラルネットワーク（CNN）を用いて特徴を抽出し、パラメータ値を分類する。
• CNNアーキテクチャには、フィルタを備えた畳み込み層、次元削減のためのプーリング層、ドロップアウト（40％）を用いた正則化のための全結合層が含まれる。
• 出力層は、各パラメータ（例：Ω、γ↑、γ↓）の離散的候補値の確率分布を出力し、softmax正規化により確率的解釈を保証する。
• 訓練には予測誤差を最小化するための交差エントロピー損失を用い、適合度と平均距離の指標を評価に使用する。
• ネットワークは、マーカフ的および非マーカフ的仮定の下で、確率的マスター方程式を用いて生成されたシミュレートされた量子軌道に基づいて訓練される。
• パラメータ推定は、出力確率のargmaxを取ることで、各信号に対して最も確率の高いパラメータセットを予測する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークは、物理的ダイナミクスの事前知識なしに、ノイズの多い連続測定信号から量子パラメータを正確に推定できるか？
• RQ2 標準的なベイズフィルタリング手法が無効となる検出器の不具合（デッドタイム、有限帯域幅、非効率的検出など）が存在する状況で、ニューラルネットワークの性能はいかがなものか？
• RQ3 マーカフ的および非マーカフ的条件下で、ニューラルネットワークの推定精度は最適なベイズ推定と比べてどの程度か？
• RQ4 測定時間の長さが、ニューラルネットワークベースのパラメータ推定の収束性と精度にどのように影響するか？
• RQ5 この手法は、非マーカフ的ダイナミクスや不完全な検出を含むさまざまな物理的状況に一般化可能か？

主な発見

• マーカフ的条件下で500 µsの測定トレースにおいて、ニューラルネットワークは平均パラメータ推定誤差0.0028 MHzを達成し、理論的なクラメール・ラオ下界に近づいた。
• 短いトレース（200 µsおよび50 µs）では、平均誤差はそれぞれ0.0064 MHzおよび0.1084 MHzに増加し、測定時間に比例する期待されるスケーリングが確認された。
• 非マーカフ的状況では、平均誤差は500 µsで0.0033 MHzであり、非マーカフ的ダイナミクスに対しても頑健であることが示された。
• パラメータ予測の適合度は非常に高く（ほぼ100％）、多数のテストケースで真のパラメータセットを正しく同定した。
• デッドタイムや有限帯域幅といった検出器の不具合が存在する状況では、従来のベイズ推定が計算不能になるが、この手法はそれらの状況でも優れた性能を示した。
• 再訓練なしに、マーカフ的および非マーカフ的ダイナミクスを含むさまざまな物理的状態に一般化できることを示した。