論文の概要: Optimal Strategies of Quantum Metrology with a Strict Hierarchy
- arxiv url: http://arxiv.org/abs/2203.09758v2
- Date: Sat, 18 Feb 2023 13:13:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 12:40:57.583607
- Title: Optimal Strategies of Quantum Metrology with a Strict Hierarchy
- Title(参考訳): 厳密な階層を持つ量子メトロロジーの最適戦略
- Authors: Qiushi Liu, Zihao Hu, Haidong Yuan, Yuxiang Yang
- Abstract要約: 我々は、並列、シーケンシャル、不確定因数順序戦略を含む、異なる戦略のファミリーの最終的な精度限界を同定する。
我々は、検討中の戦略のファミリー内で最適な戦略を決定する効率的なアルゴリズムを提供する。
- 参考スコア(独自算出の注目度): 3.706744588098214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the main quests in quantum metrology is to attain the ultimate
precision limit with given resources, where the resources are not only of the
number of queries, but more importantly of the allowed strategies. With the
same number of queries, the restrictions on the strategies constrain the
achievable precision. In this work, we establish a systematic framework to
identify the ultimate precision limit of different families of strategies,
including the parallel, the sequential, and the indefinite-causal-order
strategies, and provide an efficient algorithm that determines an optimal
strategy within the family of strategies under consideration. With our
framework, we show there exists a strict hierarchy of the precision limits for
different families of strategies.
- Abstract(参考訳): 量子力学における主要な探求の1つは、リソースがクエリの数だけでなく、より重要な戦略である与えられたリソースで最終的な精度限界を達成することである。
同じクエリ数で、戦略上の制限は達成可能な精度を制限します。
本研究では,並列性,シーケンシャル性,不確定因数順序戦略など,異なる戦略ファミリーの最終的な精度限界を特定するための体系的枠組みを構築し,検討中の戦略ファミリー内で最適な戦略を決定する効率的なアルゴリズムを提供する。
我々のフレームワークでは、戦略の異なるファミリーの精度限界の厳密な階層が存在することを示す。
関連論文リスト
- Risk-reducing design and operations toolkit: 90 strategies for managing
risk and uncertainty in decision problems [65.268245109828]
本稿では,このような戦略のカタログを開発し,それらのためのフレームワークを開発する。
高い不確実性のために難解であるように見える決定問題に対して、効率的な応答を提供する、と論じている。
次に、多目的最適化を用いた決定理論にそれらを組み込む枠組みを提案する。
論文 参考訳(メタデータ) (2023-09-06T16:14:32Z) - The Alternating-Time \mu-Calculus With Disjunctive Explicit Strategies [1.7725414095035827]
同時ゲーム構造におけるエージェントの連立の戦略能力について検討する。
論理の重要な要素は、あるエージェントの連立が与えられた目標を強制するための共同戦略を持つことを示す経路定量化器である。
我々は, ATLES を固定点演算子と戦略解離で拡張し, 明示的な戦略で時相の $mu$-calculus に到達する。
論文 参考訳(メタデータ) (2023-05-30T07:16:59Z) - Introduction to Online Nonstochastic Control [65.18774760752588]
オンラインの非確率制御では、コスト関数と仮定された力学モデルからの摂動の両方が敵によって選択される。
目標は、ベンチマーククラスの政策から見て、最高の政策に対して低い後悔を得ることだ。
論文 参考訳(メタデータ) (2022-11-17T16:12:45Z) - Tight Cram\'{e}r-Rao type bounds for multiparameter quantum metrology
through conic programming [61.98670278625053]
最適な精度で不整合パラメータを推定できる実用的な測定戦略が最重要である。
ここでは、最適精度で非相関な測定方法を見つけるための具体的な方法を示す。
従来の計算可能境界と最終的な精度境界との間には厳密なギャップがあることを数値的に示す。
論文 参考訳(メタデータ) (2022-09-12T13:06:48Z) - Strategic Decision-Making in the Presence of Information Asymmetry:
Provably Efficient RL with Algorithmic Instruments [55.41685740015095]
我々は,戦略MDPと呼ばれる新しいモデルの下で,オフライン強化学習について検討する。
アルゴリズムiNstruments(PLAN)を用いたペシミスティックポリシー学習法を提案する。
論文 参考訳(メタデータ) (2022-08-23T15:32:44Z) - A Globally Convergent Evolutionary Strategy for Stochastic Constrained
Optimization with Applications to Reinforcement Learning [0.6445605125467573]
進化的戦略は、強化学習における複雑な最適化問題に対して、競合する性能のレベルを達成することが示されている。
しかし、制約された問題を最適化する進化戦略の収束保証は文献に欠けている。
論文 参考訳(メタデータ) (2022-02-21T17:04:51Z) - A Simple yet Universal Strategy for Online Convex Optimization [97.64589722655612]
ユニバーサルオンライン凸最適化のための簡単な戦略を提案する。
鍵となるアイデアは、元のオンライン機能を処理する専門家のセットを構築し、emphlinearized lossの上にメタアゴリタムを配置することだ。
我々の戦略は、強い凸関数と指数関数のために設計された専門家の理論的保証を継承する。
論文 参考訳(メタデータ) (2021-05-08T11:43:49Z) - Quantum process discrimination with restricted strategies [2.030567625639093]
本稿では、量子過程を識別するための最大成功確率を求めるタスクの一般的な定式化について述べる。
最適に制限された戦略が全ての戦略の集合の中で最適であるために必要な十分な条件を導出する。
この発見は、様々な制限された戦略の差別性能について深い洞察を与える可能性がある。
論文 参考訳(メタデータ) (2021-04-19T04:02:51Z) - Deep Deterministic Portfolio Optimization [0.0]
この研究は、概念的には単純だが数学的には非自明なトレーディング環境上で強化学習アルゴリズムをテストすることである。
本研究では, 決定論的政策勾配アルゴリズムを深く研究し, このような強化学習エージェントが, 最適取引戦略の本質的特徴を回復できることを示す。
論文 参考訳(メタデータ) (2020-03-13T22:20:21Z) - Mixed Strategies for Robust Optimization of Unknown Objectives [93.8672371143881]
そこでは,不確実なパラメータの最悪の実現に対して,未知の目的関数を最適化することを目的として,ロバストな最適化問題を考察する。
我々は,未知の目的をノイズ点評価から逐次学習する,新しいサンプル効率アルゴリズムGP-MROを設計する。
GP-MROは、最悪のケースで期待される目標値を最大化する、堅牢でランダムな混合戦略の発見を目指している。
論文 参考訳(メタデータ) (2020-02-28T09:28:17Z)
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。