論文の概要: Lower Bounds on Learning Pauli Channels
- arxiv url: http://arxiv.org/abs/2301.09192v1
- Date: Sun, 22 Jan 2023 20:01:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 14:38:12.856234
- Title: Lower Bounds on Learning Pauli Channels
- Title（参考訳）: パウリチャンネル学習における下層境界
- Authors: Omar Fawzi, Aadil Oufkir and Daniel Stilck Fran\c{c}a
- Abstract要約: ダイヤモンドノルムにおけるパウリチャネルを非交絡測定で学習する際のサンプルの複雑さの低い境界を示す。
非適応的な設定では、$Omega (23nepsilon-2)$の低い境界を示し、$n$-qubit Pauliチャネルを学ぶ。
適応的な設定では、$Omega (22.5nepsilon-2)$ for $epsilon=mathcalO (2-n)$、$Omega (22n)$の低い境界を示す。
- 参考スコア（独自算出の注目度）: 8.72305226979945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the noise affecting a quantum device is of fundamental
importance for scaling quantum technologies. A particularly important class of
noise models is that of Pauli channels, as randomized compiling techniques can
effectively bring any quantum channel to this form and are significantly more
structured than general quantum channels. In this paper, we show fundamental
lower bounds on the sample complexity for learning Pauli channels in diamond
norm with unentangled measurements. We consider both adaptive and non-adaptive
strategies. In the non-adaptive setting, we show a lower bound of
$\Omega(2^{3n}\epsilon^{-2})$ to learn an $n$-qubit Pauli channel. In
particular, this shows that the recently introduced learning procedure by
Flammia and Wallman is essentially optimal. In the adaptive setting, we show a
lower bound of $\Omega(2^{2.5n}\epsilon^{-2})$ for
$\epsilon=\mathcal{O}(2^{-n})$, and a lower bound of
$\Omega(2^{2n}\epsilon^{-2} )$ for any $\epsilon > 0$. This last lower bound
even applies for arbitrarily many sequential uses of the channel, as long as
they are only interspersed with other unital operations.
- Abstract（参考訳）: 量子デバイスに影響を及ぼすノイズを理解することは、量子テクノロジーのスケーリングにおいて極めて重要である。
特に重要なノイズモデルクラスは、ランダム化コンパイル技術が量子チャネルをこの形式に効果的にもたらし、一般的な量子チャネルよりも著しく構造的であるため、パウリチャネルのそれである。
本稿では,ダイヤモンドノルム内のポーリチャネルを非絡み合った測定値で学習するためのサンプル複雑性の基本的な下限を示す。
我々は適応戦略と非適応戦略の両方を考える。
非適応的な設定では、$n$-qubit Pauliチャネルを学ぶために$\Omega(2^{3n}\epsilon^{-2})$の低い境界を示す。
特に、flammiaとwallmanが最近導入した学習手順が本質的に最適であることを示している。
適応的な設定では、$\Omega(2^{2.5n}\epsilon^{-2})$ for $\epsilon=\mathcal{O}(2^{-n})$, and a lower bound of $\Omega(2^{2n}\epsilon^{-2} )$ for any $\epsilon > 0$を示す。
この最後の下位境界は、他のユニタリ演算にのみ分散されている限り、任意に多くのチャネルのシーケンシャルな利用に適用される。
関連論文リスト
- Unitarity estimation for quantum channels [7.323367190336826]
ユニタリティ(英: Unitarity)とは、量子チャネルがどれだけユニタリーであるかに関する情報を提供する尺度である。
コヒーレントアクセスでは、学習アルゴリズムに制限はない。
非コヒーレントアクセスでは、非適応的、非アンシラ支援アルゴリズムを提供する。
論文 参考訳（メタデータ） (2022-12-19T09:36:33Z) - Quantum Lower Bounds for Finding Stationary Points of Nonconvex
Functions [8.495749905129278]
非最適化に対する古典的な下界の進歩にもかかわらず、これらの境界は依然として広く開である。
最初の設定について、Omegabig(frac-1+ppp)$。
第二設定については、おめがの()$。
Omega()$ if 勾配関数は滑らかである。
Omega()$ if 勾配関数は滑らかである。
Omega()$ if 勾配関数は滑らかである。
Omega()$ if 勾配関数は滑らかである。
論文 参考訳（メタデータ） (2022-12-07T19:02:36Z) - Extra-Newton: A First Approach to Noise-Adaptive Accelerated
Second-Order Methods [57.050204432302195]
本研究では,2次スムーズな凸関数を最小化するための普遍的かつ適応的な2次法を提案する。
我々のアルゴリズムは、オラクルフィードバックが分散$sigma2$であるときに$O(sigma / sqrtT)$収束を達成し、決定論的オラクルで$O(1 / T3)$に収束を改善する。
論文 参考訳（メタデータ） (2022-11-03T14:12:51Z) - Beyond Heisenberg Limit Quantum Metrology through Quantum Signal
Processing [0.0]
本稿では,量子力学における雑音による制限を克服する量子信号処理フレームワークを提案する。
我々のアルゴリズムは超伝導量子ビット実験で$theta$を学習するために標準偏差で10-4$の精度を達成している。
我々の研究は、実験室の量子コンピュータに実用的な応用を実証する最初の量子信号処理アルゴリズムである。
論文 参考訳（メタデータ） (2022-09-22T17:47:21Z) - Minimax-Optimal Multi-Agent RL in Zero-Sum Markov Games With a
Generative Model [50.38446482252857]
2人プレイのゼロサムマルコフゲームは多エージェント強化学習においておそらく最も基本的な設定である。
我々は,$$ widetildeObiggを用いて,$varepsilon$-approximate Markov NEポリシーを学習する学習アルゴリズムを開発した。
我々は、分散型量の役割を明確にするFTRLに対する洗練された後悔境界を導出する。
論文 参考訳（メタデータ） (2022-08-22T17:24:55Z) - 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) - Quantum Approximation of Normalized Schatten Norms and Applications to
Learning [0.0]
本稿では,テキスト効率よく推定できる量子演算の類似度尺度を定義する問題に対処する。
量子サンプリング回路を開発し、それらの差の正規化されたシャッテン 2-ノルムを推定し、サンプル複雑性の上限であるポリ$(frac1epsilon)$を証明した。
次に、そのような類似度計量は、量子状態の従来の忠実度計量を用いて、ユニタリ演算の類似度の関数的定義と直接関係していることを示す。
論文 参考訳（メタデータ） (2022-06-23T07:12:10Z) - New Lower Bounds for Private Estimation and a Generalized Fingerprinting
Lemma [10.176795938619417]
統計的推定タスクの新たな下限を$(varepsilon, delta)$-differential privacyの制約の下で証明する。
フロベニウスノルムにおける共分散行列の推定には$Omega(d2)$サンプルが必要であり、スペクトルノルムでは$Omega(d3/2)$サンプルが必要である。
論文 参考訳（メタデータ） (2022-05-17T17:55:10Z) - Minimax Optimal Quantization of Linear Models: Information-Theoretic
Limits and Efficient Algorithms [59.724977092582535]
測定から学習した線形モデルの定量化の問題を考える。
この設定の下では、ミニマックスリスクに対する情報理論の下限を導出する。
本稿では,2層ReLUニューラルネットワークに対して,提案手法と上界を拡張可能であることを示す。
論文 参考訳（メタデータ） (2022-02-23T02:39:04Z) - Projection Efficient Subgradient Method and Optimal Nonsmooth
Frank-Wolfe Method [54.93433440034386]
実現可能な$epsilon$-suboptimalソリューションは、$O(epsilon-1)$ POコールと最適な$O(epsilon-2)$ FOコールのみを使用します。
提案手法は,POおよびLMOコールのコストがかかる問題に対して,最先端技術に対する大幅な高速化を実現するものであることを確認した。
論文 参考訳（メタデータ） (2020-10-05T08:16:56Z) - Learning Halfspaces with Tsybakov Noise [50.659479930171585]
テュバコフ雑音の存在下でのハーフスペースの学習可能性について検討する。
真半空間に関して誤分類誤差$epsilon$を達成するアルゴリズムを与える。
論文 参考訳（メタデータ） (2020-06-11T14:25:02Z)
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。