論文の概要: Quantum sensing networks for the estimation of linear functions
- arxiv url: http://arxiv.org/abs/2003.04867v2
- Date: Tue, 19 May 2020 19:07:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 00:54:37.222253
- Title: Quantum sensing networks for the estimation of linear functions
- Title（参考訳）: 線形関数推定のための量子センシングネットワーク
- Authors: Jes\'us Rubio, Paul A Knott, Timothy J Proctor, Jacob A Dunningham
- Abstract要約: センサ間相関は、複数の線形関数の同時推定に使用される。
絡み合いは、非自明なグローバルな性質を推定するのに有害であることを示す。
この結果は,量子センサのネットワークにおける相関性を利用するための基礎となる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The theoretical framework for networked quantum sensing has been developed to
a great extent in the past few years, but there are still a number of open
questions. Among these, a problem of great significance, both fundamentally and
for constructing efficient sensing networks, is that of the role of
inter-sensor correlations in the simultaneous estimation of multiple linear
functions, where the latter are taken over a collection local parameters and
can thus be seen as global properties. In this work we provide a solution to
this when each node is a qubit and the state of the network is
sensor-symmetric. First we derive a general expression linking the amount of
inter-sensor correlations and the geometry of the vectors associated with the
functions, such that the asymptotic error is optimal. Using this we show that
if the vectors are clustered around two special subspaces, then the optimum is
achieved when the correlation strength approaches its extreme values, while
there is a monotonic transition between such extremes for any other geometry.
Furthermore, we demonstrate that entanglement can be detrimental for estimating
non-trivial global properties, and that sometimes it is in fact irrelevant.
Finally, we perform a non-asymptotic analysis of these results using a Bayesian
approach, finding that the amount of correlations needed to enhance the
precision crucially depends on the number of measurement data. Our results will
serve as a basis to investigate how to harness correlations in networks of
quantum sensors operating both in and out of the asymptotic regime.
- Abstract（参考訳）: ネットワーク型量子センシングの理論的枠組みは、ここ数年でかなり発展してきたが、まだ多くの疑問が残されている。
これらのうち、基本的かつ効率的なセンシングネットワークの構築において重要な問題は、複数の線形関数の同時推定におけるセンサー間相関の役割である。
この研究では、各ノードがキュービットであり、ネットワークの状態がセンサ対称である場合、この問題に対する解決策を提供する。
まず、感覚間相関の量と、漸近誤差が最適であるような関数に関連するベクトルの幾何学をリンクする一般表現を導出する。
これを用いることで、ベクトルが2つの特別な部分空間の周りに集合するならば、相関強度が極値に近づくと最適となるが、他の幾何学ではそのような極値の間には単調な遷移がある。
さらに, 絡み合いは非自明な大域的性質を推定するのに有害であり, 時には無関係であることを示した。
最後にベイジアンアプローチを用いて,これらの結果の非漸近解析を行い,精度向上に必要な相関関係の量は測定データ数に大きく依存することを示した。
我々の結果は、漸近的な状態の中と外の両方で動作する量子センサーのネットワークの相関性を利用するための基礎となる。
関連論文リスト
- Information-Theoretic Generalization Bounds for Deep Neural Networks [22.87479366196215]
ディープニューラルネットワーク(DNN)は、実用的な応用において、非常に優れた一般化能力を示す。
本研究の目的は,情報理論の一般化境界による教師あり学習における深度の影響とメリットを捉えることである。
論文 参考訳（メタデータ） (2024-04-04T03:20:35Z) - Characterization of partially accessible anisotropic spin chains in the
presence of anti-symmetric exchange [0.0]
我々は、反対称交換の存在下での異方性スピン鎖の量子的キャラクタリゼーションに対処する。
この鎖のハミルトンパラメータは、量子力学によって課される究極の極限に近づく精度で推定できるかどうかを考察する。
論文 参考訳（メタデータ） (2024-01-25T19:26:35Z) - Hessian Eigenvectors and Principal Component Analysis of Neural Network
Weight Matrices [0.0]
この研究は、訓練された深層ニューラルネットワークの複雑なダイナミクスと、それらのネットワークパラメータとの関係について考察する。
ヘッセン固有ベクトルとネットワーク重みの関係を明らかにする。
この関係は固有値の大きさに依存し、ネットワーク内のパラメータの方向を識別することができる。
論文 参考訳（メタデータ） (2023-11-01T11:38:31Z) - Fluctuation based interpretable analysis scheme for quantum many-body
snapshots [0.0]
物質の微視的理解と分類は、強相関量子物理学の中心にある。
ここでは、混乱学習と相関畳み込みニューラルネットワークを組み合わせることで、完全に解釈可能な位相検出を行う。
我々の研究は、解釈可能な量子画像処理における新しい方向を、長距離の順序に相応しいものに開放する。
論文 参考訳（メタデータ） (2023-04-12T17:59:59Z) - Typical Correlation Length of Sequentially Generated Tensor Network
States [0.0]
テンソルネットワーク状態によって相関が極めてよく捉えられる局所相互作用を持つスピンに焦点をあてる。
逐次生成を許容する1次元と2次元のランダムテンソルネットワーク状態のアンサンブルを定義する。
検討対象の空間次元にのみ依存する相関長が一貫した出現を観察する。
論文 参考訳（メタデータ） (2023-01-11T18:24:45Z) - Deep Architecture Connectivity Matters for Its Convergence: A
Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。
接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文 参考訳（メタデータ） (2022-05-11T17:43:54Z) - Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
勾配勾配勾配を用いた2層ReLUネットワークについて検討する。
SGDは単純な解に偏りがあることが示される。
また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
論文 参考訳（メタデータ） (2021-11-03T15:14:20Z) - Acceleration in Distributed Optimization Under Similarity [72.54787082152278]
集中ノードを持たないエージェントネットワーク上での分散(強い凸)最適化問題について検討する。
$varepsilon$-solutionは$tildemathcalrhoObig(sqrtfracbeta/mu (1-)log1/varepsilonbig)$通信ステップ数で達成される。
この速度は、関心のクラスに適用される分散ゴシップ-アルゴリズムの、初めて(ポリログ因子まで)より低い複雑性の通信境界と一致する。
論文 参考訳（メタデータ） (2021-10-24T04:03:00Z) - Deep neural network approximation of analytic functions [91.3755431537592]
ニューラルネットワークの空間に エントロピーバウンド 片方向の線形活性化関数を持つ
我々は、ペナル化深部ニューラルネットワーク推定器の予測誤差に対するオラクルの不等式を導出する。
論文 参考訳（メタデータ） (2021-04-05T18:02:04Z) - Fundamental Limits and Tradeoffs in Invariant Representation Learning [99.2368462915979]
多くの機械学習アプリケーションは、2つの競合する目標を達成する表現を学習する。
ミニマックスゲーム理論の定式化は、精度と不変性の基本的なトレードオフを表す。
分類と回帰の双方において,この一般的かつ重要な問題を情報論的に解析する。
論文 参考訳（メタデータ） (2020-12-19T15:24:04Z) - Semiparametric Nonlinear Bipartite Graph Representation Learning with
Provable Guarantees [106.91654068632882]
半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。
提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。
我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
論文 参考訳（メタデータ） (2020-03-02T16:40:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。