論文の概要: Typicality of Heisenberg scaling precision in multi-mode quantum metrology

• arxiv url: http://arxiv.org/abs/2003.12551v2
• Date: Wed, 17 Feb 2021 10:26:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-27 18:13:27.298746
• Title: Typicality of Heisenberg scaling precision in multi-mode quantum metrology
• Title（参考訳）: マルチモード量子気象学におけるハイゼンベルクスケーリング精度の典型性
• Authors: Giovanni Gramegna, Danilo Triggiani, Paolo Facchi, Frank A. Narducci, Vincenzo Tamma
• Abstract要約: 本稿では,一般的な$M$-port線形ネットワークにエンコードされたパラメータ$varphi$を推定するために,ハイゼンベルクのスケーリング精度に達する測定設定を提案する。 M$の大きい値と非適応ステージのランダムな(バイアスのない)選択の場合、このプレファクタはパラメータ$varphi$を線形ネットワークに符号化することで制御できる典型的な値を取る。
• 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: We propose a measurement setup reaching Heisenberg scaling precision for the estimation of any distributed parameter $\varphi$ (not necessarily a phase) encoded into a generic $M$-port linear network composed only of passive elements. The scheme proposed can be easily implemented from an experimental point of view since it employs only Gaussian states and Gaussian measurements. Due to the complete generality of the estimation problem considered, it was predicted that one would need to carry out an adaptive procedure which involves both the input states employed and the measurement performed at the output; we show that this is not necessary: Heisenberg scaling precision is still achievable by only adapting a single stage. The non-adapted stage only affects the value of a pre-factor multiplying the Heisenberg scaling precision: we show that, for large values of $M$ and a random (unbiased) choice of the non-adapted stage, this pre-factor takes a typical value which can be controlled through the encoding of the parameter $\varphi$ into the linear network.
• Abstract（参考訳）: 本稿では,パッシブ要素のみからなる汎用$m$-port線形ネットワークに符号化された任意の分散パラメータ$\varphi$ (必ずしも位相ではない) の推定のために,ハイゼンベルクスケーリング精度に達する計測設定を提案する。 提案されたスキームは、ガウス状態とガウス測定のみを用いるので、実験的な観点から容易に実装できる。 推定問題の完全一般性から, 入力状態と出力時の計測の両方を適応的に行う必要があると予測され, ハイゼンベルクスケーリング精度は1ステージのみを適応させることで実現可能であることが判明した。 非適応ステージは、ハイゼンベルクスケーリング精度を乗じた前要素の値にのみ影響する:我々は、m$の大きな値と非適応ステージのランダムな(偏りのない)選択に対して、この前要素は、パラメータ$\varphi$を線形ネットワークにエンコーディングすることで制御できる典型的な値を取ることを示します。

関連論文リスト

• Heisenberg-limited Bayesian phase estimation with low-depth digital quantum circuits [0.0]
  ベイズ位相推定のオーバーヘッドを一定に抑えるため,準最適精度を実現する手法を開発し,解析する。 提案手法は, 類似した初期状態の集合を利用する文献において, 既知のスキームよりも優れていることを示す。 また,提案手法の動的範囲を拡張するために,効率的な位相巻き戻しプロトコルを提案する。
  論文  参考訳（メタデータ） (2024-07-08T14:59:16Z)
• Heisenberg-limited adaptive gradient estimation for multiple observables [0.39102514525861415]
  量子力学において、一般観測値の期待値を測定することは、固有の統計的不確実性を持つ。 我々は,ルート平均二乗誤差内における一般可観測値の期待値を推定する適応量子アルゴリズムを提案する。 本手法は,量子コンピュータを用いた複雑な量子システムにおいて,様々な物理特性を正確に理解し,予測する新しい手法である。
  論文  参考訳（メタデータ） (2024-06-05T14:16:47Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Non-asymptotic Heisenberg scaling: experimental metrology for a wide resources range [1.172672077690852]
  本稿では,パラメータに関する事前情報なしで,ハイゼンベルクのスケーリングに到達した資源を適切に割り当てる手法を示す。 我々は、高次軌道角運動量を持つ単一光子状態を用いて、かなりの範囲のN$に対するハイゼンベルクのスケーリングを定量的に検証する。
  論文  参考訳（メタデータ） (2021-10-06T16:39:24Z)
• Global Heisenberg scaling in noisy and practical phase estimation [52.70356457590653]
  ハイゼンベルクスケーリングは、量子力学によって実現されたパラメータ推定の最終的な精度を特徴づける。 位相推定の基本問題における強大なハイゼンベルクスケーリングの概念の達成可能性について検討する。
  論文  参考訳（メタデータ） (2021-10-05T06:57:55Z)
• Bosonic field digitization for quantum computers [62.997667081978825]
  我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。 本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-24T15:30:04Z)
• Heisenberg scaling precision in the estimation of functions of parameters [0.0]
  一般の$M$チャネル線形ネットワークで符号化された任意のパラメータの任意の数$l$の関数の推定において,ハイゼンベルクのスケーリング精度に達するメロジカル戦略を提案する。 2つの補助線形ネットワークが必要であり、その役割は2つある: 干渉計と相互作用した後、信号が単一チャネルに再焦点され、線形ネットワークの分析により推定されるパラメータの関数が固定される。
  論文  参考訳（メタデータ） (2021-03-15T17:28:15Z)
• A Random Matrix Analysis of Random Fourier Features: Beyond the Gaussian Kernel, a Precise Phase Transition, and the Corresponding Double Descent [85.77233010209368]
  本稿では、データサンプルの数が$n$である現実的な環境で、ランダムフーリエ(RFF)回帰の正確さを特徴付けます。 この分析はまた、大きな$n,p,N$のトレーニングとテスト回帰エラーの正確な推定も提供する。
  論文  参考訳（メタデータ） (2020-06-09T02:05:40Z)
• Breaking the Sample Size Barrier in Model-Based Reinforcement Learning with a Generative Model [50.38446482252857]
  本稿では、生成モデル(シミュレータ)へのアクセスを想定して、強化学習のサンプル効率について検討する。 最初に$gamma$-discounted infinite-horizon Markov decision process (MDPs) with state space $mathcalS$ and action space $mathcalA$を考える。 対象の精度を考慮すれば,モデルに基づく計画アルゴリズムが最小限のサンプルの複雑さを実現するのに十分であることを示す。
  論文  参考訳（メタデータ） (2020-05-26T17:53:18Z)
• Heisenberg scaling precision in multi-mode distributed quantum metrology [0.0]
  マルチポート干渉計に符号化されたパラメータ$varphi$を推定できる$N$-photon Gaussian測定方式を提案する。 干渉計の構造には線形性や通過性以外に制限はない。
  論文  参考訳（メタデータ） (2020-03-27T17:34:25Z)

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。