論文の概要: Learning t-doped stabilizer states

• arxiv url: http://arxiv.org/abs/2305.15398v4
• Date: Mon, 18 Mar 2024 08:23:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 04:32:24.786260
• Title: Learning t-doped stabilizer states
• Title（参考訳）: tドープ安定化状態の学習
• Authors: Lorenzo Leone, Salvatore F. E. Oliviero, Alioscia Hamma,
• Abstract要約: 本稿では,有限個の$t$ of$T$-gateをドープしたクリフォード回路を用いて,計算基底状態から得られる学習状態を対象とした学習アルゴリズムを提案する。 このアルゴリズムは、パウリ観測可能量の観点から、$t$ドープ安定化状態の正確なトモグラフィ記述を学習する。
• 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: In this paper, we present a learning algorithm aimed at learning states obtained from computational basis states by Clifford circuits doped with a finite number $t$ of $T$-gates. The algorithm learns an exact tomographic description of $t$-doped stabilizer states in terms of Pauli observables. This is possible because such states are countable and form a discrete set. To tackle the problem, we introduce a novel algebraic framework for $t$-doped stabilizer states, which extends beyond $T$-gates and includes doping with any kind of local non-Clifford gate. The algorithm requires resources of complexity $\text{poly}(n,2^t)$ and exhibits an exponentially small probability of failure.
• Abstract（参考訳）: 本稿では,有限個の$t$ of$T$-gateをドープしたクリフォード回路を用いて,計算基底状態から得られる学習状態を対象とした学習アルゴリズムを提案する。 このアルゴリズムは、パウリ観測可能量の観点から、$t$ドープ安定化状態の正確なトモグラフィ記述を学習する。 このような状態は可算であり、離散集合を形成するからである。 この問題に対処するために、$t$ドープ安定化状態のための新しい代数的フレームワークを導入し、これは$T$ゲートを超えて拡張され、任意の種類の局所的非クリフォードゲートによるドーピングを含む。 このアルゴリズムは、複雑さのリソースである$\text{poly}(n,2^t)$を必要とし、指数的に小さな失敗の確率を示す。

関連論文リスト

• Quantum State Learning Implies Circuit Lower Bounds [2.2667044928324747]
  状態トモグラフィー、擬似ランダム性、量子状態、回路下界の接続を確立する。 わずかに自明な量子状態トモグラフィーアルゴリズムでさえも量子状態合成に関する新しい言明に繋がることを示した。
  論文  参考訳（メタデータ） (2024-05-16T16:46:27Z)
• Agnostic Tomography of Stabilizer Product States [0.43123403062068827]
  クラス $mathcalC$ of $n$-qubit 安定化器状態に対する効率的な非依存トモグラフィーアルゴリズムを提案する。 我々は少なくとも$mathcalC$の任意の状態と近似する状態の簡潔な記述を出力する。
  論文  参考訳（メタデータ） (2024-04-04T21:39:47Z)
• Pseudorandom and Pseudoentangled States from Subset States [49.74460522523316]
  計算基底の部分集合である$S$に対する部分集合状態は [ frac1sqrt|S|sum_iin S |irangle である。 固定された部分集合サイズ $|S|=s$ に対して、$s = 2n/omega(mathrmpoly(n))$ と $s=omega(mathrmpoly(n))$ が与えられたとき、ランダムな部分集合状態は情報理論上はHaarランダム状態と区別できないことを示す。
  論文  参考訳（メタデータ） (2023-12-23T15:52:46Z)
• Efficiently Learning One-Hidden-Layer ReLU Networks via Schur Polynomials [50.90125395570797]
  正方形損失に関して、標準的なガウス分布の下での$k$ReLU活性化の線形結合をPAC学習する問題をmathbbRd$で検討する。 本研究の主な成果は,この学習課題に対して,サンプルおよび計算複雑性が$(dk/epsilon)O(k)$で,epsilon>0$が目標精度である。
  論文  参考訳（メタデータ） (2023-07-24T14:37:22Z)
• Efficient Learning of Quantum States Prepared With Few Non-Clifford Gates [0.43123403062068827]
  クリフォードゲートと$O(log n)$非クリフォードゲートで用意された量子状態を効率的に学習するアルゴリズムのペアを与える。 具体的には、$n$-qubit state $|psirangle$を少なくとも$t$非クリフォードゲートで準備するために、我々のアルゴリズムは$mathsfpoly(n,2t,1/varepsilon)$timeと$|psirangle$のコピーを使って、ほとんどのゲートで距離を追跡するために$|psirangle$を学ぶ。
  論文  参考訳（メタデータ） (2023-05-22T18:49:52Z)
• Improved Stabilizer Estimation via Bell Difference Sampling [0.43123403062068827]
  安定化器の形式性に関して,様々なモデルにおける量子状態の学習の複雑さについて検討する。 Omega(n)$$T$gates は任意の Clifford+$T$ 回路で擬ランダム量子状態を作るのに必要であることを示す。 上記のアルゴリズムの修正は時間内に行われることを示す。
  論文  参考訳（メタデータ） (2023-04-27T01:58:28Z)
• Layered State Discovery for Incremental Autonomous Exploration [106.37656068276901]
  Layered Autonomous Exploration (LAE) は、$tildemathcalO(LSrightarrow_LAln12(Srightarrow_LAln12(Srightarrow_LAln12(Srightarrow_LAln12(Srightar row_LAln12)Srightarrow_LAln12(Srightarrow_LAln12)Srightarrow_LAln12(Srightarrow_LAln12)のサンプル複雑性を達成するAXの新しいアルゴリズムである。
  論文  参考訳（メタデータ） (2023-02-07T22:58:12Z)
• Reaching Goals is Hard: Settling the Sample Complexity of the Stochastic Shortest Path [106.37656068276902]
  本稿では,最短経路(SSP)問題において,$epsilon$-optimal Policyを学習する際のサンプル複雑性について検討する。 学習者が生成モデルにアクセスできる場合、複雑性境界を導出する。 我々は、$S$状態、$A$アクション、最小コスト$c_min$、およびすべての状態に対する最適ポリシーの最大期待コストを持つ最悪のSSPインスタンスが存在することを示す。
  論文  参考訳（メタデータ） (2022-10-10T18:34:32Z)
• Minimal Expected Regret in Linear Quadratic Control [79.81807680370677]
  オンライン学習アルゴリズムを考案し、その期待された後悔を保証します。 当時のこの後悔は、$A$と$B$が未知の場合、$widetildeO((d_u+d_x)sqrtd_xT)$によって上界(i)となる。
  論文  参考訳（メタデータ） (2021-09-29T14:07:21Z)
• Learning quantum circuits of some $T$ gates [10.609715843964263]
  クリフォード群以外の回路を扱う方法は不明である。 本稿では,$T$-depth 1回路の出力状態が,フルT$-rankを安定化器擬似混合器で表すことができることを示す。
  論文  参考訳（メタデータ） (2021-06-23T16:43:01Z)
• Improved Sample Complexity for Incremental Autonomous Exploration in MDPs [132.88757893161699]
  我々は $epsilon$-optimal 目標条件付きポリシーのセットを学び、$ L$ ステップ内で段階的に到達可能なすべての状態を達成します。 DisCoは、コストに敏感な最短経路問題に対して$epsilon/c_min$-optimalポリシーを返すことができる最初のアルゴリズムです。
  論文  参考訳（メタデータ） (2020-12-29T14:06:09Z)

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。