Fugu-MT 論文翻訳(概要): Continued Fractions and Probability Estimations in the Shor Algorithm -- A Detailed and Self-Contained Treatise

論文の概要: Continued Fractions and Probability Estimations in the Shor Algorithm -- A Detailed and Self-Contained Treatise

arxiv url: http://arxiv.org/abs/2205.01925v2
Date: Fri, 13 May 2022 15:08:31 GMT
ステータス: 処理完了
システム内更新日: 2023-02-14 09:16:23.327285
Title: Continued Fractions and Probability Estimations in the Shor Algorithm -- A Detailed and Self-Contained Treatise
Title（参考訳）: ショアアルゴリズムにおける連続的フラクチャーと確率推定 -詳細と自己完結処理-
Authors: Johanna Barzen, Frank Leymann
Abstract要約: 素因数分解のためのShorのアルゴリズムは、量子部分と古典部分からなるハイブリッドアルゴリズムである。連続分数の理論から関連する結果と証明を詳細に述べる。
参考スコア（独自算出の注目度）: 0.6091702876917281
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The algorithm of Shor for prime factorization is a hybrid algorithm consisting of a quantum part and a classical part. The main focus of the classical part is a continued fraction analysis. The presentation of this is often short, pointing to text books on number theory. In this contribution, we present the relevant results and proofs from the theory of continued fractions in detail (even in more detail than in text books) filling the gap to allow a complete comprehension of the algorithm of Shor. Similarly, we provide a detailed computation of the estimation of the probability that convergents will provide the period required for determining a prime factor.
Abstract（参考訳）: 素因数分解のためのshorのアルゴリズムは、量子部分と古典部分からなるハイブリッドアルゴリズムである。古典的部分の主な焦点は連続的な分数解析である。この表現はしばしば短く、数論に関する教科書を指している。本稿では,このギャップを埋めるために,連続分数の理論による関連する結果と証明を(テキストブックよりも詳細であっても)詳細に提示し,shorのアルゴリズムの完全な理解を可能にする。同様に、収束者が素因数を決定するのに必要な時間を提供する確率の推定の詳細な計算も提供する。

関連論文リスト

Quantization of Large Language Models with an Overdetermined Basis [73.79368761182998]
本稿では,嘉心表現の原理に基づくデータ量子化アルゴリズムを提案する。以上の結果から, カシ量子化はモデル性能の競争力や優れた品質を達成できることが示唆された。
論文参考訳（メタデータ） (2024-04-15T12:38:46Z)
Regularization-Based Methods for Ordinal Quantification [49.606912965922504]
順序の場合、すなわち n>2 クラスの集合上で全順序が定義される場合について研究する。本稿では,従来のアルゴリズムよりも優れた正規化OQアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-13T16:04:06Z)
Integer Factorisation, Fermat & Machine Learning on a Classical Computer [0.0]
我々は、整数因数分解問題を二項分類問題に還元するために、ローレンスのフェルマー因数分解アルゴリズムの拡張を利用する。大規模な擬似ランダム素数の生成が容易な分類問題に対処するため、必要に応じて大規模なトレーニングデータのコーパスを合成的に生成する。
論文参考訳（メタデータ） (2023-07-16T22:39:00Z)
Shor's Factoring Algorithm and Modular Exponentiation Operators [0.0]
Shorの分解アルゴリズムは、非常に大きな数(数百から数千ビット)を時間で分解する量子アルゴリズムである。因数分解問題に対する既知のすべての古典的アルゴリズムは、多数の因数分解に指数関数的な時間を要する。これらのノートでは、ショアのアルゴリズムについて、量子コンピューティングの回路モデルに精通した基礎的知識以上の事前知識は仮定しない。
論文参考訳（メタデータ） (2023-06-15T13:29:20Z)
On the Role of Coherence in Shor's Algorithm [1.3124513975412255]
Shorのファクタリングアルゴリズムは、既知のすべての古典的ファクタリングアルゴリズムに対する超多項式的なスピードアップを提供する。このアルゴリズムにおけるコヒーレンスの役割を定量的に同定する。
論文参考訳（メタデータ） (2022-03-20T19:49:17Z)
On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
論文参考訳（メタデータ） (2022-02-28T13:01:04Z)
An efficient quantum algorithm for lattice problems achieving subexponential approximation factor [2.3351527694849574]
整数格子のクラスに対する指数近似係数を用いて,境界距離復号法(BDD)問題を解く量子アルゴリズムを提案する。量子アルゴリズムの実行時間は、近似因子の1つの範囲と、第2の範囲の近似因子のサブ指数時間である。この見解は、有限アーベル群の観点からクリーンな量子アルゴリズムを定め、格子理論から相対的にほとんど使用せず、次元以外のパラメータの格子問題に対する近似アルゴリズムを探求することを提案している。
論文参考訳（メタデータ） (2022-01-31T18:58:33Z)
Benchmarks for quantum computers from Shor's algorithm [0.0]
Shorのアルゴリズムと関連する周期フィニングアルゴリズムの特性は、量子コンピュータの動作のベンチマークとして機能する。入力量子レジスタが増加するにつれて、周期フィニングの成功確率に対して、識別的普遍的な振る舞いが期待される。
論文参考訳（メタデータ） (2021-11-27T09:46:16Z)
Efficient Computation of Expectations under Spanning Tree Distributions [67.71280539312536]
本稿では,エッジファクター,非プロジェクティブ・スパンニングツリーモデルにおいて,一階期待と二階期待の重要なケースに対する統一アルゴリズムを提案する。我々のアルゴリズムは勾配と期待の基本的な関係を利用しており、効率的なアルゴリズムを導出することができる。
論文参考訳（メタデータ） (2020-08-29T14:58:26Z)
A Constraint-Based Algorithm for the Structural Learning of Continuous-Time Bayesian Networks [70.88503833248159]
連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
論文参考訳（メタデータ） (2020-07-07T07:34:09Z)
A General Method for Robust Learning from Batches [56.59844655107251]
本稿では,バッチから頑健な学習を行う一般的なフレームワークについて考察し,連続ドメインを含む任意の領域に対する分類と分布推定の限界について考察する。本手法は,一括分節分類,一括分節,単調,対数凹,ガウス混合分布推定のための,最初の頑健な計算効率の学習アルゴリズムを導出する。
論文参考訳（メタデータ） (2020-02-25T18:53:25Z)

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。