UCLA（NarangLab）、Caltech、NVIDIAが主導する複数機関の研究コラボレーションが、量子制御パルスシーケンスの逆設計を自動化する機械学習フレームワークを発表した。arXiv（arXiv:2608.03702）に掲載されたプレプリントで詳述され、IEEE Quantum Week 2026で発表されたこの手法は、フーリエニューラル演算子（FNO）を利用して高次元の分子量子ダイナミクスを学習し、最適制御ループ内の数値微分方程式ソルバーを置き換える。
FNOサロゲートは、NVIDIA CUDA-Q Dynamicsによって生成されたGPUアクセラレーション量子状態伝搬を、捕捉水和ヒドロニウムイオン（H₃O⁺）をモデル化した888次元ヒルベルト空間全体で学習した。物理情報に基づく周波数離調埋め込みと偏光対称性制約（σ⁺およびσ⁻チャネル）を組み込むことで、FNOサロゲートはラマンサイドバンドパルスウィンドウ全体の集団軌跡を、アクセラレーションされたGPU数値伝搬ソルバーよりも最大10⁷倍高速に予測する。このサロゲートは完全に微分可能であり、連続レーザーパルスパラメータの直接的な勾配ベース最適化を可能にする。
| [ FNO-SPMP制御性能 vs. 強化学習ベースライン ] | ||
|---|---|---|
| 制御指標 | フーリエニューラル演算子（FNO-SPMP） | 標準強化学習（RL） |
| ターゲット状態フィデリティと成功率 | • ターゲット集団密度: 0.98• 準備成功率: 最大86.2% | • 成功率ベースライン約43%• 残留熱エントロピーが高い |
| シーケンスオーバーヘッド | • 必要パルス数の約50%削減 | • 光パルスオーバーヘッドが2倍 |
| 合成計算レイテンシ | • 10〜20分（微分可能FNO） | • 約10時間（離散RL探索） |
微分可能なFNOを基盤として、チームは20Kでの熱集団分布をナビゲートする確率論的パルス測定プランナー（FNO-SPMP）を実装した。H₃O⁺において、このフレームワークは熱集団を単一の回転/超微細状態に導くパルスシーケンスを86.2%の成功率で生成し、シーケンス合成レイテンシを10時間から10〜20分に短縮した。この方法論は、NVIDIAのCUDA-Qプラットフォーム内にオペレーター学習パラダイムを確立し、分子分光法および複雑なQPUゲート較正のためのパルスレベル制御を合成する。
技術アップデートはUCLA NarangLabこちらで、査読済みプレプリントはarXivこちらで確認でき、NVIDIA CUDA-Qプラットフォーム統合に関する以前の記事はこちらで読むことができる。
2026年9月14日
