論文の概要: Grover's Algorithm with Diffusion and Amplitude Steering
- arxiv url: http://arxiv.org/abs/2110.11163v1
- Date: Thu, 21 Oct 2021 14:15:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 21:40:23.589990
- Title: Grover's Algorithm with Diffusion and Amplitude Steering
- Title（参考訳）: 拡散・振幅ステアリングを用いたGroverのアルゴリズム
- Authors: Robert L Singleton Jr, Michael L Rogers, and David L Ostby
- Abstract要約: 多次元ヒルベルト空間の任意の部分空間を探索するグロバーアルゴリズムの一般化を提案する。
また、データベース要素間の高次相関を考慮に入れた一般化Groverのアルゴリズムを概説する。
- 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: We review the basic theoretical underpinnings of the Grover algorithm,
providing a rigorous and well motivated derivation. We then present a
generalization of Grover's algorithm that searches an arbitrary subspace of the
multi-dimensional Hilbert space using a diffusion operation and an amplitude
amplification procedure that has been biased by unitary {\em steering
operators}. We also outline a generalized Grover's algorithm that takes into
account higher level correlations that could exist between database elements.
In the traditional Grover algorithm, the Hadamard gate selects a uniform sample
of computational basis elements when performing the phase selection and
diffusion. In contrast, steered operators bias the selection process, thereby
providing more flexibility in selecting the target state. Our method is a
generalization of the recently proposal pattern matching algorithm of Hiroyuki
et al..
- Abstract（参考訳）: 我々はGroverアルゴリズムの基本理論的基盤を概観し、厳密で動機のよい導出を提供する。
次に,多次元ヒルベルト空間の任意の部分空間を拡散演算を用いて探索するグローバーアルゴリズムの一般化と,ユニタリ・ステアリング演算子によって偏りのある振幅増幅手順を提案する。
また、データベース要素間の高次相関を考慮に入れた一般化Groverのアルゴリズムを概説する。
従来のグローバーアルゴリズムでは、アダマールゲートは位相選択と拡散を行う際に計算基底要素の均一なサンプルを選択する。
対照的に、操舵オペレータは選択プロセスに偏り、それによってターゲット状態の選択の柔軟性が増す。
提案手法は,最近提案された広之らのパターンマッチングアルゴリズムの一般化である。
関連論文リスト
- Distributed exact multi-objective quantum search algorithm [9.09986332387569]
グローバーのアルゴリズムは多目的探索において2次加速度を持つ。
グローバーのアルゴリズムにおける反復作用素は重要な要素であり、振幅増幅において重要な役割を果たす。
論文 参考訳（メタデータ） (2024-09-06T06:16:53Z) - Bregman-divergence-based Arimoto-Blahut algorithm [53.64687146666141]
本稿では,Arimoto-BlahutアルゴリズムをBregman-Diversergenceシステム上で定義された一般関数に一般化する。
本稿では,古典的および量子速度歪み理論に適用可能な凸最適化自由アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-10T06:16:24Z) - Amplitude Amplification for Optimization via Subdivided Phase Oracle [0.9176056742068814]
振幅増幅の修正版を用いて最適化問題を解くアルゴリズムを提案する。
数値シミュレーションにより, 対象値の正規分布, 歪正規分布, 指数分布分布に対して, 最適解の確率を増幅するアルゴリズムが有効であることを示す。
論文 参考訳（メタデータ） (2022-05-02T01:14:27Z) - Grover search revisited; application to image pattern matching [0.8367938108534343]
本稿では,Groverデータベース全体の探索やパターンマッチングを行う量子アルゴリズムを提案する。
鍵となる考え方は、最近提案された近似振幅符号化法を浅い量子回路で使用することである。
論文 参考訳（メタデータ） (2021-08-24T17:30:41Z) - Determinantal Beam Search [75.84501052642361]
ビームサーチは、ニューラルシーケンスモデルをデコードするためのゴーツー戦略である。
複数のソリューションを要求するユースケースでは、多様あるいは代表的なセットがしばしば望まれる。
ビームサーチを一連の部分決定問題として繰り返し行うことにより、アルゴリズムを多種多様なサブセット選択プロセスに変換することができる。
論文 参考訳（メタデータ） (2021-06-14T13:01:46Z) - Quantum Search with Prior Knowledge [15.384459603233978]
本稿では,Grover の探索アルゴリズムの新たな一般化を提案する。
提案アルゴリズムは,クエリ数が固定された場合の解を見つけるための最適成功確率を実現する。
論文 参考訳（メタデータ） (2020-09-18T09:50:33Z) - Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。
この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。
古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文 参考訳（メタデータ） (2020-07-01T18:43:32Z) - An Empirical Process Approach to the Union Bound: Practical Algorithms
for Combinatorial and Linear Bandits [34.06611065493047]
本稿では、信頼度と予算設定の固定化において、純探索線形帯域問題に対する近似アルゴリズムを提案する。
サンプルの複雑性がインスタンスの幾何でスケールし、アームの数に縛られた明示的な結合を避けるアルゴリズムを提供する。
また,固定予算設定における線形帯域幅に対する最初のアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-21T00:56:33Z) - Nearly Linear Row Sampling Algorithm for Quantile Regression [54.75919082407094]
データの次元にほぼ線形なサンプル複雑性を持つ量子化損失関数の行サンプリングアルゴリズムを提案する。
行サンプリングアルゴリズムに基づいて、量子レグレッションの最も高速なアルゴリズムと、バランスの取れた有向グラフのグラフスペーシフィケーションアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-15T13:40:07Z) - Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。
我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。
得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文 参考訳（メタデータ） (2020-02-21T17:45:32Z) - Optimal Iterative Sketching with the Subsampled Randomized Hadamard
Transform [64.90148466525754]
最小二乗問題に対する反復スケッチの性能について検討する。
本研究では、Haar行列とランダム化されたHadamard行列の収束速度が同一であることを示し、ランダムなプロジェクションを経時的に改善することを示した。
これらの手法は、ランダム化次元還元を用いた他のアルゴリズムにも適用することができる。
論文 参考訳（メタデータ） (2020-02-03T16:17:50Z)
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。