WikiEdge:ArXiv-2408.17442v1

出自WikiEdge
跳至導覽 跳至搜尋

本文的基本信息如下：

編輯
  • 標題：Analysis on the von Neumann entropy under the measurement-based feedback control
  • 中文標題：馮·諾依曼熵在基於測量的反饋控制下的分析
  • 發布日期：2024-08-30T17:51:20+00:00
  • 作者：Kohei Kobayashi
  • 分類：quant-ph
  • 原文鏈接：http://arxiv.org/abs/2408.17442v1

摘要：測量反饋（MBF）控制提供了幾種強大的手段來準備所需的目標量子態。因此，研究MBF的基本性質是很重要的。特別是，受控系統在MBF下的熵如何變化是非常有趣的。在這項研究中，我們通過推導出在MBF控制下馮·諾依曼熵的時間導數非負的充分條件來研究這個問題。這個結果通過系統可觀測量的方差和給定退相干的量子性得到了嚴格的表徵。我們在量子比特穩定的例子中展示了結果的有效性和物理解釋。

章節摘要

編輯

這篇論文是關於測量基礎反饋（Measurement-based feedback，MBF）控制在量子系統熵變行為方面的研究，主要內容包括：

  1. 引言：介紹了量子控制技術在量子信息科學中的重要性，特別是測量基礎反饋（MBF）控制在量子態製備和保護中的應用。MBF通過測量信息來控制系統動力學，而系統演化由隨機主方程（SME）描述。
  2. 熵變界限：
    • 受控量子動力學：描述了在MBF設置下，量子系統狀態的時間演化，以及如何通過測量結果來控制系統。
    • 主要結果：提出了一個充分條件，表明在MBF控制下，馮諾依曼熵的時間導數非負。這個結果通過系統可觀測量的方差和給定退相干的量子性來嚴格表徵。
  3. 例子：量子比特穩定化：通過一個量子比特系統的簡單例子，展示了上述結果的有效性和物理解釋。在這個例子中，分析了在MBF控制下，量子比特狀態如何被穩定化。
  4. 結論：總結了在MBF控制下，量子系統的馮諾依曼熵如何被測量和退相干影響。通過分析，得到了一個充分條件，用於描述馮諾依曼熵的行為，並通過量子比特穩定化的例子驗證了這一條件的有效性。

研究背景

編輯

這篇文獻的背景主要集中在以下幾個方面：

  1. 量子信息科學的發展需求：
  2. 量子反饋控制的重要性：
    • 量子反饋控制提供了一種強有力的手段來準備和保護期望的量子態。基於測量的反饋（MBF）控制是一種成熟的策略，通過利用測量獲得的信息來控制系統動力學，即首先測量目標系統，然後將測量結果反饋以控制系統。
  3. 量子系統熵變行為的研究興趣：
    • 在MBF控制下，被控制的量子系統的熵如何變化是一個值得關注的問題。熵是衡量系統無序程度的物理量，對於理解和控制量子系統具有重要意義。特別是在存在退相干的情況下，研究MBF控制下量子系統的熵變行為對於設計有效的量子控制策略至關重要。
  4. 量子系統熵變行為的理論研究：
    • 儘管已有研究探討了MBF控制與其他控制方法的比較優勢、MBF控制下的可控性以及MBF控制下達到目標態所需時間的下界等問題，但關於MBF控制下量子系統熵變行為的理論研究仍不充分。本文旨在通過推導MBF控制下馮諾依曼熵時間導數非負的充分條件，來填補這一研究空白。

綜上所述，這篇文獻的背景強調了在量子信息科學領域中，對MBF控制下量子系統熵變行為的深入理解的需求，以及現有理論研究的不足。作者通過推導和分析MBF控制下馮諾依曼熵的變化，為設計和優化量子控制策略提供了理論基礎。

問題與動機

編輯

作者面對的是量子信息科學領域中，特別是在量子反饋控制（Quantum Feedback Control）下，量子系統的馮諾依曼熵（von Neumann entropy）如何變化的問題。具體問題包括：

  1. 量子反饋控制對量子系統熵的影響：在量子反饋控制過程中，如何量化和理解馮諾依曼熵的變化，特別是在存在退相干（decoherence）的情況下。
  2. 馮諾依曼熵時間導數的非負性條件：尋找和證明在量子反饋控制下，馮諾依曼熵時間導數非負的充分條件，以及這一條件與系統可觀測量的方差和退相干的量子性之間的關係。
  3. 量子反饋控制在量子比特（qubit）穩定化中的應用：通過量子比特穩定化的例子，展示理論結果的有效性和物理解釋，以及量子反饋控制在實際量子系統中的潛在應用。

研究方法

編輯

這篇論文的工作部分詳細探討了測量基礎反饋（Measurement-based feedback, MBF）控制在量子系統中對馮諾依曼熵（von Neumann entropy）的影響。以下是這部分的主要內容：

  1. 測量基礎反饋控制（Measurement-based feedback control, MBF）：
    • 描述了MBF控制的基本策略，即通過測量獲得的信息來控制量子系統的動態。這涉及到先對目標系統進行測量，然後將測量結果反饋用於控制。
  2. 馮諾依曼熵（von Neumann entropy）：
    • 引入馮諾依曼熵作為衡量量子系統在MBF控制下狀態混合程度的指標。馮諾依曼熵在量子態為純態時取值為零，在系統處於最大混合態時達到最大值。
  3. 隨機主方程（Stochastic master equation, SME）：
    • 利用隨機主方程描述了在連續測量條件下量子系統的狀態演化。該方程考慮了系統哈密頓量、可控耦合（Lindblad算子L）以及由退相干引起的非理想耦合（Lindblad算子M）。
  4. 熵的演化分析：
    • 通過推導馮諾依曼熵的時間導數的下界，分析了在MBF控制下熵的演化。結果表明，熵的演化受到系統可觀測量的方差和給定退相干的量子性的影響。
  5. 量子比特（qubit）穩定化示例：
    • 通過一個量子比特系統的示例，展示了上述理論分析的有效性和物理解釋。在這個例子中，考慮了特定的系統哈密頓量、可控耦合和非理想耦合，以及它們對熵演化的影響。

研究結論

本文介紹了一種基於憶阻器的計算存儲硬件加速器，用於片上訓練和推理，重點關注其在設備變化、導電誤差和輸入噪聲下的準確性和效率。 利用商業可用的基於銀的金屬自定向通道（M-SDC）憶阻器的真實SPICE模型，研究將固有的設備非理想性納入電路仿真中。 硬件由30個憶阻器和4個神經元組成，利用鎢、鉻和碳介質的三種不同的M-SDC結構執行二進制圖像分類任務。 片上訓練算法精確調整憶阻器導電性以實現目標權重。結果表明，訓練期間加入適度噪聲（<15%）可以增強對設備變化和噪聲輸入數據的魯棒性， 即使在導電變化和輸入噪聲下也能實現高達97%的準確率。網絡可以在不顯著損失準確率的情況下容忍10%的導電誤差。值得注意的是， 在訓練期間省略初始憶阻器重置脈衝可以顯著減少訓練時間和能量消耗。使用基於鉻的憶阻器設計的硬件表現出優越的性能， 實現了2.4秒的訓練時間和18.9毫焦耳的能量消耗。這項研究為開發用於邊緣應用的片上學習的魯棒和能效高的基於憶阻器的神經網絡提供了見解。

術語表

本文介紹了一種基於憶阻器的計算存儲硬件加速器，用於片上訓練和推理，重點關注其在設備變化、導電誤差和輸入噪聲下的準確性和效率。 利用商業可用的基於銀的金屬自定向通道（M-SDC）憶阻器的真實SPICE模型，研究將固有的設備非理想性納入電路仿真中。 硬件由30個憶阻器和4個神經元組成，利用鎢、鉻和碳介質的三種不同的M-SDC結構執行二進制圖像分類任務。 片上訓練算法精確調整憶阻器導電性以實現目標權重。結果表明，訓練期間加入適度噪聲（<15%）可以增強對設備變化和噪聲輸入數據的魯棒性， 即使在導電變化和輸入噪聲下也能實現高達97%的準確率。網絡可以在不顯著損失準確率的情況下容忍10%的導電誤差。值得注意的是， 在訓練期間省略初始憶阻器重置脈衝可以顯著減少訓練時間和能量消耗。使用基於鉻的憶阻器設計的硬件表現出優越的性能， 實現了2.4秒的訓練時間和18.9毫焦耳的能量消耗。這項研究為開發用於邊緣應用的片上學習的魯棒和能效高的基於憶阻器的神經網絡提供了見解。

取自「http://zh.wikiedge.org/index.php?title=WikiEdge:ArXiv-2408.17442v1&oldid=716」