• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tese de Doutorado
DOI
https://doi.org/10.11606/T.76.2023.tde-16012024-093809
Documento
Autor
Nome completo
Nícolas André da Costa Morazotti
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2023
Orientador
Banca examinadora
Napolitano, Reginaldo de Jesus (Presidente)
Amaral, Bárbara Lopes
Boas, Celso Jorge Villas
Castelano, Beatriz Leonardo Kleber
Lima, Emanuel Fernandes de
Título em português
Redes neurais no uso de Teoria de Controle para a síntese de transformações unitárias em processamento quântico em contexto ruidoso
Palavras-chave em português
Aprendizado de máquina
Computação quântica
Evoluções unitárias
Sistemas quânticos abertos
Teoria de controle
Resumo em português
Esta tese de doutorado investiga a síntese de transformações unitárias em meio à presença de ruído de decoerência, por meio de uma integração de métodos geométricos e técnicas de aprendizado de máquina. O principal enfoque reside no uso de Teoria de Controle Quântico para obtenção de geodésicas do grupo SU(4) em que o ponto final é um elemento de SU(2) ⊗ II. Para desenvolver os pulsos ideais de controle, é lançada mão de técnicas de aprendizado de máquina para aprimorar tanto a qualidade quanto a quantidade de dados. Tais pulsos permitem obter transformações unitárias genéricas de um único qubit, ao mesmo tempo que atenua os efeitos prejudiciais do ruído de decoerência. Esse estudo possui relevância no âmbito da computação quântica, em que o ruído de decoerência pode prejudicar substancialmente a eficácia dos algoritmos quânticos, e destaca o potencial do aprendizado de máquina na otimização de dados para superar esse desafio. Além disso, a técnica demonstra promissoras aplicações em outros modelos de ruído, dinâmicas inerentes do sistema e diversos tipos de erros.
Título em inglês
The use of neural networks on Quantum Control Theory for unitary quantum processing synthesis in a noisy setting
Palavras-chave em inglês
Control theory
Machine learning
Open quantum systems
Quantum computing
Unitary evolution
Resumo em inglês
This PhD thesis investigates the synthesis of unitary transformations in the presence of decoherence noise through an integration of geometric methods and machine learning techniques. The main focus lies in the use of Quantum Control Theory to obtain geodesics of the SU(4) group, where the endpoint is an element of SU(2) ⊗ II. To develop the optimal control pulses, machine learning techniques are employed to enhance both the quality and quantity of data. These pulses enable the attainment of generic unitary transformations of a single qubit while mitigating the detrimental effects of decoherence noise. This study holds significance in the field of quantum computing, where decoherence noise can substantially impair the effectiveness of quantum algorithms, highlighting the potential of machine learning in data optimization to overcome this challenge. Additionally, the technique shows promising applications in other noise models, inherent system dynamics, and various types of errors.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2024-01-22
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.