論文の概要: Resource-efficient dissipative entanglement of two trapped-ion qubits
- arxiv url: http://arxiv.org/abs/2108.03136v1
- Date: Fri, 6 Aug 2021 14:09:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-19 05:04:59.736819
- Title: Resource-efficient dissipative entanglement of two trapped-ion qubits
- Title(参考訳): 2つの捕捉イオン量子ビットの資源効率良く散逸する絡み合い
- Authors: Daniel C. Cole, Stephen D. Erickson, Giorgio Zarantonello, Karl P.
Horn, Pan-Yu Hou, Jenny J. Wu, Daniel H. Slichter, Florentin Reiter,
Christiane P. Koch, and Dietrich Leibfried
- Abstract要約: 本研究では、2つの閉じ込められたイオン量子ビットの絡み合った状態の散逸生成法を示す。
我々の実装は、以前のデモよりも高速かつ忠実に目標状態を生成する。
不忠実な主な原因は光子散乱である。
- 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 demonstrate a simplified method for dissipative generation of an entangled
state of two trapped-ion qubits. Our implementation produces its target state
faster and with higher fidelity than previous demonstrations of dissipative
entanglement generation and eliminates the need for auxiliary ions. The
entangled singlet state is generated in $\sim$7 ms with a fidelity of 0.949(4).
The dominant source of infidelity is photon scattering. We discuss this error
source and strategies for its mitigation.
- Abstract(参考訳): 2つの捕捉イオン量子ビットの絡み合い状態の散逸生成の簡便な方法を示す。
本実装は,従来の散逸エンタングルメント生成のデモンストレーションよりも高速かつ高い忠実度でターゲット状態を生成し,補助イオンの必要性を解消する。
絡み合った一重項状態は、0.949(4)の忠実度で$\sim$7msで生成される。
不忠実な主な原因は光子散乱である。
本稿では,この誤差源とその緩和戦略について論じる。
関連論文リスト
- EraseDiff: Erasing Data Influence in Diffusion Models [54.95692559939673]
拡散モデルのためのアンラーニングアルゴリズムを提案する。
提案アルゴリズムは, 広範に普及している拡散モデルから除去しながら, モデルの有用性, 有効性, 効率を保たせることを示す。
論文 参考訳(メタデータ) (2024-01-11T09:30:36Z) - Nonclassical resource for continuous variable telecloning with
non-Gaussian advantage [0.0]
テレクロニングプロトコルは、単一の送信者から共有絡み状態を介して複数の受信者に量子状態を分配する。
ガウス的資源と非ガウス的資源の両方を用いて得られた最適なテレクロニング特性について検討した。
論文 参考訳(メタデータ) (2023-12-21T05:33:59Z) - One-step Diffusion with Distribution Matching Distillation [50.45103465564635]
本稿では,拡散モデルを1ステップ画像生成器に変換する手法である分散マッチング蒸留(DMD)を紹介する。
約KLの発散を最小化することにより,拡散モデルと分布レベルで一致した一段階画像生成装置を強制する。
提案手法は,イメージネット64x64では2.62 FID,ゼロショットCOCO-30kでは11.49 FIDに到達した。
論文 参考訳(メタデータ) (2023-11-30T18:59:20Z) - Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。
本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文 参考訳(メタデータ) (2023-06-01T03:08:28Z) - Advantages of one and two-photon inverse scattering [0.0]
散乱場の遠距離場スペクトル相関関数を用いる逆散乱問題について検討する。
インシデントフィールドの1光子状態は(100%の可視性を持つ)レイリー推定と比較して2倍のフーリエ成分を分解することができる。
論文 参考訳(メタデータ) (2023-04-01T18:29:22Z) - Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。
実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
論文 参考訳(メタデータ) (2023-03-03T11:31:55Z) - Come-Closer-Diffuse-Faster: Accelerating Conditional Diffusion Models
for Inverse Problems through Stochastic Contraction [31.61199061999173]
拡散モデルには重要な欠点がある。純粋なガウスノイズから画像を生成するために数千ステップの反復を必要とするため、サンプリングが本質的に遅い。
ガウスノイズから始めることは不要であることを示す。代わりに、より優れた初期化を伴う単一前方拡散から始めると、逆条件拡散におけるサンプリングステップの数を大幅に減少させる。
ComeCloser-DiffuseFaster (CCDF)と呼ばれる新しいサンプリング戦略は、逆問題に対する既存のフィードフォワードニューラルネットワークアプローチが拡散モデルと相乗的に組み合わせられる方法について、新たな洞察を明らかにしている。
論文 参考訳(メタデータ) (2021-12-09T04:28:41Z) - Generation of a maximally entangled state using collective optical
pumping [0.943752184064214]
本稿では,2つのキュービットを単一ベル状態に散逸的にポンプする新しい手法を提案し,実装する。
本研究では,提案方式の性能と誤差を解析し,多数の実験用ノイズ源に不感であることを確認した。
論文 参考訳(メタデータ) (2021-07-21T22:14:11Z) - Hyperspherically Regularized Networks for BYOL Improves Feature
Uniformity and Separability [4.822598110892847]
bootstrap Your Own Latent (BYOL)は、コントラストパラダイムを回避する自己監督学習のアプローチを導入した。
この研究は、BYOLで採用する場合、コントラスト損失によって強制される特徴の多様性が有益であることを実証的に示している。
論文 参考訳(メタデータ) (2021-04-29T18:57:27Z) - Optimised Domain-engineered Crystals for Pure Telecom Photon Sources [101.18253437732933]
本稿では、ドメイン工学の達成可能な限界で動作する、テレコム波長パラメトリックダウンコンバージョン光子源を提案する。
我々は、狭帯域フィルタリングなしで、最大9,8.6pm1.1%の2光子干渉の可視性を達成できる独立した光源から光子を生成する。
論文 参考訳(メタデータ) (2021-01-20T19:00:04Z) - Accelerating Nonconvex Learning via Replica Exchange Langevin Diffusion [67.66101533752605]
ランゲヴィン拡散は非最適化のための強力な方法である。
本稿では,Langevin拡散を異なる温度で置き換えるレプリカ交換を提案する。
レプリカ交換Langevin拡散を離散化することにより、離散時間アルゴリズムを得る。
論文 参考訳(メタデータ) (2020-07-04T02:52:11Z)
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。