Fugu-MT 論文翻訳(概要): Quantum-state estimation problem via optimal design of experiments

論文の概要: Quantum-state estimation problem via optimal design of experiments

arxiv url: http://arxiv.org/abs/2012.11949v1
Date: Tue, 22 Dec 2020 12:05:05 GMT
ステータス: 処理完了
システム内更新日: 2023-04-19 22:15:50.892320
Title: Quantum-state estimation problem via optimal design of experiments
Title（参考訳）: 実験の最適設計による量子状態推定問題
Authors: Jun Suzuki
Abstract要約: まず、A-、D-、E-最適設計などの一般的な最適基準に対する任意のキュービットモデルに関する最適設計を見出す。特定の基準に対する最適設計は、他の最適基準に対して非常に非効率であることを示す。
参考スコア（独自算出の注目度）: 21.22196305592545
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we study the quantum-state estimation problem in the framework of optimal design of experiments. We first find the optimal designs about arbitrary qubit models for popular optimality criteria such as A-, D-, and E-optimal designs. We also give the one-parameter family of optimality criteria which includes these criteria. We then extend a classical result in the design problem, the Kiefer-Wolfowitz theorem, to a qubit system showing the D-optimal design is equivalent to a certain type of the A-optimal design. We next compare and analyze several optimal designs based on the efficiency. We explicitly demonstrate that an optimal design for a certain criterion can be highly inefficient for other optimality criteria.
Abstract（参考訳）: 本稿では,実験の最適設計の枠組みにおける量子状態推定問題について検討する。まず、A-、D-、E-最適設計などの一般的な最適基準に対する任意のキュービットモデルに関する最適設計を見出す。また、これらの基準を含む最適基準の1パラメータファミリーを与える。次に、設計問題における古典的な結果であるキーファー=ヴォルフォヴィッツの定理を、D-最適設計がA-最適設計のある種のタイプに等しいことを示すキュービット系に拡張する。次に、効率性に基づいて複数の最適設計を比較し、分析する。特定の基準に対する最適設計は、他の最適基準に対して非常に非効率であることを示す。

関連論文リスト

Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文参考訳（メタデータ） (2024-03-20T00:41:12Z)
Pseudo-Bayesian Optimization [7.556071491014536]
ブラックボックス最適化の収束を保証するために最小限の要件を課す公理的枠組みについて検討する。我々は、単純な局所回帰と、不確実性を定量化するために適切な「ランダム化事前」構造を用いることが、収束を保証するだけでなく、常に最先端のベンチマークよりも優れていることを示す。
論文参考訳（メタデータ） (2023-10-15T07:55:28Z)
Optimization for truss design using Bayesian optimization [1.5070398746522742]
トラスの形状は、積載量を決定する上で支配的な要素である。与えられたパラメータ空間において、我々のゴールは、負荷を持つ容量を最大化し、誘起ストレスに屈しない船体のパラメータを見つけることである。設計評価のための計算コストの高い設計解析ツールである有限要素解析に頼っている。
論文参考訳（メタデータ） (2023-05-27T10:28:27Z)
Efficient Learning for Selecting Top-m Context-Dependent Designs [0.7646713951724012]
文脈に依存した意思決定のためのシミュレーション最適化問題を考察する。本研究では,各デザインの性能を各コンテキスト下で効率的に学習するためのシーケンシャルサンプリングポリシーを開発する。数値実験により,提案手法はトップmの文脈依存設計の選択効率を向上することを示した。
論文参考訳（メタデータ） (2023-05-06T16:11:49Z)
Convergence Rate Analysis for Optimal Computing Budget Allocation Algorithms [1.713291434132985]
オーディナル最適化(Ordinal Optimization, OO)は、離散イベント動的システムを最適化するための広く研究されている手法である。 OOのよく知られた方法は、最適計算予算配分(OCBA)である。本稿では,2つのOCBAアルゴリズムについて検討する。
論文参考訳（メタデータ） (2022-11-27T04:55:40Z)
Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-10-07T02:12:34Z)
Non-Convex Optimization with Certificates and Fast Rates Through Kernel Sums of Squares [68.8204255655161]
非最適化近似問題を考える。本稿では,最優先計算を保証するアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-04-11T09:37:04Z)
Refined bounds for randomized experimental design [7.899055512130904]
実験的な設計は与えられた基準のための最もよい推定器を得るために与えられたセット間のサンプルを選ぶためのアプローチです。 EおよびG最適化設計におけるランダム化戦略の理論的保証を提案する。
論文参考訳（メタデータ） (2020-12-22T20:37:57Z)
An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文参考訳（メタデータ） (2020-12-11T14:33:27Z)
Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
論文参考訳（メタデータ） (2020-08-10T09:42:59Z)
Cross Entropy Hyperparameter Optimization for Constrained Problem Hamiltonians Applied to QAOA [68.11912614360878]
QAOA(Quantum Approximate Optimization Algorithm)のようなハイブリッド量子古典アルゴリズムは、短期量子コンピュータを実用的に活用するための最も奨励的なアプローチの1つである。このようなアルゴリズムは通常変分形式で実装され、古典的な最適化法と量子機械を組み合わせて最適化問題の優れた解を求める。本研究では,クロスエントロピー法を用いてランドスケープを形作り,古典的パラメータがより容易により良いパラメータを発見でき,その結果,性能が向上することを示す。
論文参考訳（メタデータ） (2020-03-11T13:52:41Z)

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。