• 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
 
 
Thèse de Doctorat
DOI
https://doi.org/10.11606/T.76.2023.tde-16012024-093809
Document
Auteur
Nom complet
Nícolas André da Costa Morazotti
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Carlos, 2023
Directeur
Jury
Napolitano, Reginaldo de Jesus (Président)
Amaral, Bárbara Lopes
Boas, Celso Jorge Villas
Castelano, Beatriz Leonardo Kleber
Lima, Emanuel Fernandes de
Titre en portugais
Redes neurais no uso de Teoria de Controle para a síntese de transformações unitárias em processamento quântico em contexto ruidoso
Mots-clés en portugais
Aprendizado de máquina
Computação quântica
Evoluções unitárias
Sistemas quânticos abertos
Teoria de controle
Resumé en portugais
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.
Titre en anglais
The use of neural networks on Quantum Control Theory for unitary quantum processing synthesis in a noisy setting
Mots-clés en anglais
Control theory
Machine learning
Open quantum systems
Quantum computing
Unitary evolution
Resumé en anglais
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.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2024-01-22
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2024. Tous droits réservés.