論文の概要: Augmented fidelities for single qubit gates

• arxiv url: http://arxiv.org/abs/2006.03086v2
• Date: Thu, 12 Nov 2020 17:25:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 04:12:53.494404
• Title: Augmented fidelities for single qubit gates
• Title（参考訳）: 単一キュービットゲートに対する拡張フィデリティ
• Authors: Filip Wudarski, Jeffrey Marshall, Andre Petukhov, Eleanor Rieffel
• Abstract要約: 解析的に(単量子)、数値的に(二量子)、均一分布条件が緩和された場合、この平均値がどのように変化するかを示す。 3つの軸に沿って異なるノイズレートを持つパウリ流路は、これらの拡張忠実度を用いて忠実に区別できることを実証する。
• 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: An average gate fidelity is a standard performance metric to quantify deviation between an ideal unitary gate transformation and its realistic experimental implementation. The average is taken with respect to states uniformly distributed over the full Hilbert space. We analytically (single-qubit) and numerically (two-qubit) show how this average changes if the uniform distribution condition is relaxed, replaced by parametrized distributions - polar cap and von Mises-Fisher distributions - and how the resulting fidelities can differentiate certain noise models. In particular, we demonstrate that Pauli channels with different noise rates along the three axes can be faithfully distinguished using these augmented fidelities.
• Abstract（参考訳）: 平均ゲート忠実度(英: average gate fidelity)は、理想的なユニタリゲート変換と現実的な実験的実装との偏差を定量化する標準的な性能指標である。 平均はヒルベルト空間全体に均一に分布する状態に対して取られる。 解析的(単一量子ビット)および数値的(2量子ビット)は、均一分布条件が緩和され、偏極キャップとフォン・ミセス・フィッシャー分布に置き換わる場合のこの平均変化と、結果の忠実度が特定の雑音モデルをどのように区別するかを示す。 特に,三軸に沿って異なる雑音率のパウリチャネルは,これらの拡張されたフィディティを用いて忠実に識別できることを実証する。

関連論文リスト

• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• SoftCVI: Contrastive variational inference with self-generated soft labels [2.5398014196797614]
  変分推論とマルコフ連鎖モンテカルロ法がこのタスクの主要なツールである。 ソフトコントラスト変動推論(SoftCVI)を導入し、コントラスト推定フレームワークを用いて変動対象のファミリーを導出する。 我々は、SoftCVIを用いて、訓練や大量発見に安定な目標を定式化することができ、他の変分アプローチよりも頻繁に優れた推論が可能であることを発見した。
  論文  参考訳（メタデータ） (2024-07-22T14:54:12Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Normal quantum channels and Markovian correlated two-qubit quantum errors [77.34726150561087]
  一般の'分散ランダムなユニタリ変換について検討する。 一方、正規分布はユニタリ量子チャネルを誘導する。 一方、拡散ランダムウォークは単位量子過程を定義する。
  論文  参考訳（メタデータ） (2023-07-25T15:33:28Z)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)
• Flow Away your Differences: Conditional Normalizing Flows as an Improvement to Reweighting [0.0]
  本稿では, 条件分布の所望の変化を考慮に入れた再重み付け手法の代替手法を提案する。 条件付き正規化フローを用いて、完全条件付き確率分布を学習する。 この例では、ソースとターゲットの分布を同一のサンプルサイズで再重み付けする手法よりも、統計精度が最大3倍に向上する。
  論文  参考訳（メタデータ） (2023-04-28T16:33:50Z)
• Resampling Base Distributions of Normalizing Flows [0.0]
  学習された拒絶サンプリングに基づいて,フローを正規化するためのベース分布を導入する。 ログライクリフの最大化と逆Kulback-Leibler分散の最適化の両方を用いて、適切な学習アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-10-29T14:44:44Z)
• Improving application performance with biased distributions of quantum states [0.0]
  本研究では,Har-random純状態とDirichlet分散係数の混合を解析する。 我々は,バーレス分布とヒルベルト分布の平均純度に一致する濃度パラメータを解析的に導出した。 これらのディリクレ重み付きハール混合物をビュール分布とヒルベルト分布に代えて置換することにより、測定可能な性能の優位性が得られることを示す。
  論文  参考訳（メタデータ） (2021-07-15T23:29:10Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)

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。