今回は深層学習を用いて量子カートポール問題における持続時間を延ばし、エネルギーをより固有値に近付けた研究を紹介します。これは、量子力学的に表されたカートポール問題をポールにかかる力Fを報酬決定のための変数としてQ関数を最大化しカートポールをより長くエネルギー固有値を高めずに存続させるものです。この問題を定義するQ関数はポールにかかる力Fを報酬としたものと、それ以降の時間発展を表す波動関数で計算したハミルトニアンの時間期待値と報酬の時間和の積で表されます。その結果、モーメント分布と波動関数を入力した結果において、カートポールは比較対象としたロガリズムガウスとそん色ない時間生き残ったことが報告されました。更に、印加するポテンシャルの次数が上がるほど、ほかの手法より長く生き残ることが確認されました。 これは量子機械学習とは少し違う手法ですが、量子力学に機械学習が使われた例の一つです。また、これは他の系における量子シミュレーションに可能性を示すものです。量子フィードバックという手法に応用して、量子ビットを長く持たせるのに役立つ可能性があります。 <a href="https://arxiv.org/pdf/1910.09200.pdf" rel="noopener noreferrer" target="_blank">https://arxiv.org/pdf/1910.09200.pdf</a>

研究論文紹介:量子カートポール問題の機械学習における解法。

Hikaru Wakaura