論文の概要: Spoofing cross entropy measure in boson sampling

• arxiv url: http://arxiv.org/abs/2210.15021v1
• Date: Wed, 26 Oct 2022 20:30:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-21 12:55:50.505802
• Title: Spoofing cross entropy measure in boson sampling
• Title（参考訳）: ボーソンサンプリングにおけるスプーフィングクロスエントロピー測度
• Authors: Changhun Oh, Liang Jiang, Bill Fefferman
• Abstract要約: クロスエントロピー測度はサンプリング問題から量子計算の利点を示すために広く用いられているベンチマークである。 理想的なボソンサンプリング分布の重大結果を生成する古典的アルゴリズムを提案する。 本アルゴリズムは, 理想的なボソンサンプリングを模擬することなく, 重い結果を選択的に生成することにより, 大規模なクロスエントロピースコアを実現する。
• 参考スコア（独自算出の注目度）: 2.8655318786364408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross entropy measure is a widely used benchmarking to demonstrate quantum computational advantage from sampling problems, such as random circuit sampling using superconducting qubits and boson sampling. In this work, we propose a heuristic classical algorithm that generates heavy outcomes of the ideal boson sampling distribution and consequently achieves a large cross entropy. The key idea is that there exist classical samplers that are efficiently simulable and correlate with the ideal boson sampling probability distribution and that the correlation can be used to post-select heavy outcomes of the ideal probability distribution, which essentially leads to a large cross entropy. As a result, our algorithm achieves a large cross entropy score by selectively generating heavy outcomes without simulating ideal boson sampling. We first show that for small-size circuits, the algorithm can even score a better cross entropy than the ideal distribution of boson sampling. We then demonstrate that our method scores a better cross entropy than the recent Gaussian boson sampling experiments when implemented at intermediate, verifiable system sizes. Much like current state-of-the-art experiments, we cannot verify that our spoofer works for quantum advantage size systems. However, we demonstrate our approach works for much larger system sizes in fermion sampling, where we can efficiently compute output probabilities.
• Abstract（参考訳）: クロスエントロピー測定は、超伝導量子ビットを用いたランダム回路サンプリングやボソンサンプリングのようなサンプリング問題から量子計算の利点を示すために広く用いられているベンチマークである。 本研究では,理想ボソンサンプリング分布の重大結果を生成し,結果として大きなクロスエントロピーを実現するヒューリスティックな古典的アルゴリズムを提案する。 鍵となる考え方は、理想ボソンサンプリング確率分布と効率的にシミュレートされ相関する古典的なサンプルが存在し、その相関は理想確率分布の重い結果のポストセレクションに利用でき、これは本質的に大きなクロスエントロピーをもたらすということである。 その結果,本アルゴリズムは,理想的なボソンサンプリングを模擬することなく,高い結果を選択的に生成し,大きなクロスエントロピースコアを得ることができた。 まず、小型回路の場合、このアルゴリズムはボソンサンプリングの理想的な分布よりも優れたクロスエントロピーを得られることを示す。 その結果, 中間検証可能なシステムサイズで実装した場合, 最近のガウス粒子サンプリング実験よりも優れたクロスエントロピーが得られた。 現在の最先端の実験と同様に、我々のスプーファーが量子アドバンテージサイズシステムで動作していることを検証することはできない。 しかし,本手法はファーミオンサンプリングのシステムサイズがはるかに大きく,出力確率を効率的に計算できることを示す。

関連論文リスト

• Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
  本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。 物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
  論文  参考訳（メタデータ） (2024-07-10T17:39:50Z)
• Gaussian Boson Sampling to Accelerate NP-Complete Vertex-Minor Graph Classification [0.9935277311162707]
  2つのグラフが互いに小さいかどうかを決定するNP完全問題に対するハイブリッド量子古典アルゴリズムを提案する。 ワンショット分類精度と入力スクイーズ量とのトレーディングが可能なグラフ埋め込みを見つける。 本稿では,グラフスペクトルに基づく新しい古典的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-05T21:24:11Z)
• Gaussian boson sampling validation via detector binning [0.0]
  本稿では,GBS実験を統計的に検証するに適した量として,双対検出器の確率分布を提案する。 それぞれの特性関数との接続を利用して,そのような分布の計算方法を示す。 また、すべての可能な干渉ネットワーク上でHaar平均化を行うとき、双対検出器の確率分布がどのように振る舞うかを示す。
  論文  参考訳（メタデータ） (2023-10-27T12:55:52Z)
• A New Initial Distribution for Quantum Generative Adversarial Networks to Load Probability Distributions [4.043200001974071]
  本稿では,qGANの学習効率を向上させる初期分布生成手法を提案する。 本手法は,浅い量子回路の様々な確率分布を生成するために,ラベル置換の古典的プロセスを用いる。
  論文  参考訳（メタデータ） (2023-06-21T14:33:35Z)
• Classical algorithm for simulating experimental Gaussian boson sampling [2.1684911254068906]
  ガウスボソンサンプリングは実験的量子優位性を示す有望な候補である。 高い光子損失率とノイズの存在にもかかわらず、それらは現在、最もよく知られた古典的アルゴリズムで古典的にシミュレートすることが難しいと主張されている。 本稿ではガウスボソンサンプリングをシミュレートする古典的テンソルネットワークアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-06T14:19:48Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Validation tests of GBS quantum computers give evidence for quantum advantage with a decoherent target [62.997667081978825]
  複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。 偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
  論文  参考訳（メタデータ） (2022-11-07T12:00:45Z)
• A single $T$-gate makes distribution learning hard [56.045224655472865]
  この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。 ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
  論文  参考訳（メタデータ） (2022-07-07T08:04:15Z)
• Algorithms for Adaptive Experiments that Trade-off Statistical Analysis with Reward: Combining Uniform Random Assignment and Reward Maximization [50.725191156128645]
  トンプソンサンプリングのようなマルチアームバンディットアルゴリズムは適応的な実験を行うのに利用できる。 統計的解析のための一様ランダム化の利点を組み合わせた2つのアルゴリズムを探索する2つのアーム実験のシミュレーションを提案する。
  論文  参考訳（メタデータ） (2021-12-15T22:11:58Z)
• Learnability of the output distributions of local quantum circuits [53.17490581210575]
  2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。 我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。 より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-11T18:00:20Z)

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。