論文の概要: Modified Grover operator for amplitude estimation
- arxiv url: http://arxiv.org/abs/2010.11656v2
- Date: Mon, 23 Aug 2021 12:30:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-28 01:07:26.010583
- Title: Modified Grover operator for amplitude estimation
- Title(参考訳): 振幅推定のための修正グローバー演算子
- Authors: Shumpei Uno, Yohichi Suzuki, Keigo Hisanaga, Rudy Raymond, Tomoki
Tanaka, Tamiya Onodera, Naoki Yamamoto
- Abstract要約: 本稿では,修正Grover演算子を用いた量子振幅推定法を提案する。
偏極雑音下では,提案手法は,原理的に推定精度を極大に向上できるという意味で,従来の手法よりも優れる。
提案手法は, 単純な非適応的計測戦略であっても, 従来の手法よりも優れ, 最終的な精度にアプローチできることを数値的に示す。
- 参考スコア(独自算出の注目度): 3.5462326830737805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a quantum amplitude estimation method that uses a
modified Grover operator and quadratically improves the estimation accuracy in
the ideal case, as in the conventional one using the standard Grover operator.
Under the depolarizing noise, the proposed method can outperform the
conventional one in the sense that it can in principle achieve the ultimate
estimation accuracy characterized by the quantum Fisher information in the
limit of a large number of qubits, while the conventional one cannot achieve
the same value of ultimate accuracy. In general this superiority requires a
sophisticated adaptive measurement, but we numerically demonstrate that the
proposed method can outperform the conventional one and approach to the
ultimate accuracy, even with a simple non-adaptive measurement strategy.
- Abstract(参考訳): 本稿では,修正グロバー演算子を用いた量子振幅推定法を提案し,従来の標準グロバー演算子と同様,理想的な場合において2次精度で推定精度を向上させる。
この非分極雑音下では,量子フィッシャー情報によって特徴付けられる究極的な推定精度を,多数の量子ビットの限界で原則的に達成できるという意味では,従来の手法よりも優れており,従来の手法では究極的精度の値が得られない。
一般に、この優越性は洗練された適応的測定を必要とするが、提案手法が従来の手法よりも優れており、単純な非適応的計測戦略であっても究極の精度にアプローチできることを数値的に証明する。
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) - Function-Space Regularization in Neural Networks: A Probabilistic
Perspective [51.133793272222874]
所望の予測関数に関する情報をニューラルネットワークトレーニングに明示的にエンコードできる、モチベーションの高い正規化手法を導出できることが示される。
本手法の有効性を実証的に評価し,提案手法がほぼ完全なセマンティックシフト検出と高度に校正された予測不確実性推定に繋がることを示す。
論文 参考訳(メタデータ) (2023-12-28T17:50:56Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳(メタデータ) (2023-11-08T00:10:21Z) - High Precision Multi-parameter Weak Measurement with Hermite-Gaussian
Pointer [5.647409913773762]
本稿では,高次Hermite-Gaussianポインタと量子フィッシャー情報行列を用いた一般的な弱い測定形式について検討する。
我々のスキームの最終的な精度は、n がエルミート・ガウスモードの順序である 2n+1 の平方根の係数によって改善される。
論文 参考訳(メタデータ) (2023-10-10T13:13:20Z) - Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。
本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。
我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文 参考訳(メタデータ) (2023-02-23T12:17:36Z) - Control-enhanced quantum metrology under Markovian noise [10.626708718934022]
本稿では,現実的な雑音を抑えるために,制御強化型量子メトロジー手法を提案する。
実演として、いくつかの典型的なマルコフノイズチャネルの下での周波数推定問題に適用する。
提案手法は性能が向上し,最大1桁の精度で推定精度が向上することを示す。
論文 参考訳(メタデータ) (2022-11-03T13:39:47Z) - Parameterized Temperature Scaling for Boosting the Expressive Power in
Post-Hoc Uncertainty Calibration [57.568461777747515]
我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。
最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。
当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
論文 参考訳(メタデータ) (2021-02-24T10:18:30Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳(メタデータ) (2020-11-05T08:04:34Z) - Consistency Regularization for Certified Robustness of Smoothed
Classifiers [89.72878906950208]
最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。
その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
論文 参考訳(メタデータ) (2020-06-07T06:57:43Z) - A machine learning approach to Bayesian parameter estimation [0.0]
パラメータ推定を分類タスクとして定式化し,ニューラルネットワークを用いてベイズ推定を効率的に行う。
本稿では,ネットワークの後方分布が,逆フィッシャー情報によって与えられる不確実性の中でパラメータの真(未知)値に集中していることを示す。
論文 参考訳(メタデータ) (2020-06-03T16:33:21Z)
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。