論文の概要: Quadratic speedup for simulating Gaussian boson sampling

• arxiv url: http://arxiv.org/abs/2010.15595v4
• Date: Tue, 3 Aug 2021 16:50:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 00:47:02.310638
• Title: Quadratic speedup for simulating Gaussian boson sampling
• Title（参考訳）: ガウスボソンサンプリングをシミュレートする二次速度アップ
• Authors: Nicol\'as Quesada, Rachel S. Chadwick, Bryn A. Bell, Juan Miguel Arrazola, Trevor Vincent, Haoyu Qi, Ra\'ul Garc\'ia-Patr\'on
• Abstract要約: 本稿では,ガウスボソンサンプリングの古典的シミュレーションのためのアルゴリズムを提案する。 アルゴリズムの複雑さは、検出された光子対の数において指数関数的であり、光子の数ではない。 改良されたループハフニアンアルゴリズムはスーパーコンピュータを必要とせずに純粋状態確率を計算することができることを示す。
• 参考スコア（独自算出の注目度）: 0.9236074230806577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce an algorithm for the classical simulation of Gaussian boson sampling that is quadratically faster than previously known methods. The complexity of the algorithm is exponential in the number of photon pairs detected, not the number of photons, and is directly proportional to the time required to calculate a probability amplitude for a pure Gaussian state. The main innovation is to use auxiliary conditioning variables to reduce the problem of sampling to computing pure-state probability amplitudes, for which the most computationally-expensive step is calculating a loop hafnian. We implement and benchmark an improved loop hafnian algorithm and show that it can be used to compute pure-state probabilities, the dominant step in the sampling algorithm, of up to 50-photon events in a single workstation, i.e., without the need of a supercomputer.
• Abstract（参考訳）: ガウス粒子サンプリングの古典的シミュレーションのためのアルゴリズムを,従来知られていた手法よりも2倍高速に導入する。 アルゴリズムの複雑さは、検出された光子対の数に指数関数的であり、光子の数ではなく、純粋なガウス状態の確率振幅を計算するのに必要な時間に直接比例する。 主な革新は、補助条件変数を使用して純粋状態確率振幅を計算するためのサンプリングの問題を減らし、最も計算に精通したステップはループハフニアンを計算することである。 改良されたループハフニアンアルゴリズムを実装してベンチマークを行い、スーパーコンピュータを必要とせず、1つのワークステーションで最大50フォトンのイベントをサンプリングアルゴリズムにおいて支配的なステップである純状態確率を計算するために使用できることを示した。

関連論文リスト

• Classical algorithm for simulating experimental Gaussian boson sampling [2.1684911254068906]
  ガウスボソンサンプリングは実験的量子優位性を示す有望な候補である。 高い光子損失率とノイズの存在にもかかわらず、それらは現在、最もよく知られた古典的アルゴリズムで古典的にシミュレートすることが難しいと主張されている。 本稿ではガウスボソンサンプリングをシミュレートする古典的テンソルネットワークアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-06T14:19:48Z)
• Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
  不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。 特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
  論文  参考訳（メタデータ） (2023-02-13T19:57:17Z)
• Classical simulation of boson sampling based on graph structure [2.5496329090462626]
  線形光回路のグラフ構造を利用する単一光子およびガウス入力状態に対する古典的なサンプリングアルゴリズムを提案する。 回路深さが格子間隔の二次よりも小さい場合、指数的に小さな誤差で効率的なシミュレーションが可能であることを示す。 近年の数値的なガウスボソンサンプリング実験により,木幅に制限のある木幅アルゴリズムが実験データよりも大きな可能性を示す可能性が示された。
  論文  参考訳（メタデータ） (2021-10-04T17:02:35Z)
• Polynomial speedup in Torontonian calculation by a scalable recursive algorithm [0.0]
  トロント関数は、しきい値検出を伴うガウスボソンサンプリング(GBS)のシミュレーションにおいて中心的な計算課題である。 本稿では,トロントの正確な計算を,最先端のアルゴリズムと比較して高速化する再帰的アルゴリズムを提案する。 このアルゴリズムは,大規模計算能力を必要とせずに,しきい値GBSを最大35～40ドルでシミュレーションできるようなユースケースに拡張可能であることを示す。
  論文  参考訳（メタデータ） (2021-09-09T19:32:03Z)
• Photonic co-processors in HPC: using LightOn OPUs for Randomized Numerical Linear Algebra [53.13961454500934]
  従来のハードウェアでは,次元削減のためのランダム化ステップ自体が計算ボトルネックとなる可能性がある。 ランダム化は,様々な重要なrandnlaアルゴリズムにおいて,精度損失が無視できないほど大幅に高速化できることを示す。
  論文  参考訳（メタデータ） (2021-04-29T15:48:52Z)
• Quantum Algorithms for Prediction Based on Ridge Regression [0.7612218105739107]
  本稿では,リッジ回帰モデルに基づく量子アルゴリズムを提案する。 提案アルゴリズムは幅広い応用範囲を持ち,提案アルゴリズムは他の量子アルゴリズムのサブルーチンとして利用することができる。
  論文  参考訳（メタデータ） (2021-04-27T11:03:52Z)
• Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
  そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。 我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-18T16:40:45Z)
• Single-Timescale Stochastic Nonconvex-Concave Optimization for Smooth Nonlinear TD Learning [145.54544979467872]
  本稿では,各ステップごとに1つのデータポイントしか必要としない2つの単一スケールシングルループアルゴリズムを提案する。 本研究の結果は, 同時一次および二重側収束の形で表される。
  論文  参考訳（メタデータ） (2020-08-23T20:36:49Z)
• Learning with Optimized Random Features: Exponential Speedup by Quantum Machine Learning without Sparsity and Low-Rank Assumptions [8.08640000394814]
  我々は,実行時特性を最適化した分布からサンプリングする量子アルゴリズムを開発した。 我々のアルゴリズムは、このサンプリングタスクの既知の古典的アルゴリズムと比較して、D$の指数的な高速化を実現している。
  論文  参考訳（メタデータ） (2020-04-22T18:00:00Z)
• Active Model Estimation in Markov Decision Processes [108.46146218973189]
  マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。 マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-03-06T16:17:24Z)
• On Thompson Sampling with Langevin Algorithms [106.78254564840844]
  多武装バンディット問題に対するトンプソンサンプリングは理論と実践の両方において良好な性能を享受する。 計算上のかなりの制限に悩まされており、反復ごとに後続分布からのサンプルを必要とする。 本稿では,この問題に対処するために,トンプソンサンプリングに適した2つのマルコフ連鎖モンテカルロ法を提案する。
  論文  参考訳（メタデータ） (2020-02-23T22:35:29Z)

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。