論文の概要: Classical algorithm for simulating experimental Gaussian boson sampling
- arxiv url: http://arxiv.org/abs/2306.03709v2
- Date: Mon, 4 Dec 2023 20:42:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 20:10:17.197672
- Title: Classical algorithm for simulating experimental Gaussian boson sampling
- Title（参考訳）: 実験ガウスボソンサンプリングをシミュレートする古典的アルゴリズム
- Authors: Changhun Oh, Minzhao Liu, Yuri Alexeev, Bill Fefferman, Liang Jiang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.1684911254068906
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gaussian boson sampling is a promising candidate for showing experimental
quantum advantage. While there is evidence that noiseless Gaussian boson
sampling is hard to efficiently simulate using a classical computer, the
current Gaussian boson sampling experiments inevitably suffer from loss and
other noise models. Despite a high photon loss rate and the presence of noise,
they are currently claimed to be hard to classically simulate with the
best-known classical algorithm. In this work, we present a classical
tensor-network algorithm that simulates Gaussian boson sampling and whose
complexity can be significantly reduced when the photon loss rate is high. By
generalizing the existing thermal-state approximation algorithm of lossy
Gaussian boson sampling, the proposed algorithm allows us to achieve increased
accuracy as the running time of the algorithm scales, as opposed to the
algorithm that samples from the thermal state, which can give only a fixed
accuracy. This generalization enables us to simulate the largest scale Gaussian
boson sampling experiment so far using relatively modest computational
resources, even though the output state of these experiments is not believed to
be close to a thermal state. By demonstrating that our new classical algorithm
outperforms the large-scale experiments on the benchmarks used as evidence for
quantum advantage, we exhibit evidence that our classical sampler can simulate
the ground-truth distribution better than the experiment can, which disputes
the experimental quantum advantage claims.
- Abstract（参考訳）: 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。
無ノイズガウスボソンサンプリングは古典的コンピュータで効率的にシミュレーションすることは困難であるが、現在のガウスボソンサンプリング実験は必然的に損失やその他のノイズモデルに苦しんでいる。
高い光子損失率とノイズの存在にもかかわらず、現在では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のが難しいとされている。
本研究では,ガウスボソンサンプリングをシミュレートする古典的なテンソルネットワークアルゴリズムを提案する。
既存の熱状態近似アルゴリズムである損失ガウスボソンサンプリングを一般化することにより,提案アルゴリズムは,熱状態からサンプルを採取するアルゴリズムとは対照的に,アルゴリズムの実行時間が大きくなるにつれて精度が向上する。
この一般化により、これらの実験の出力状態が熱状態に近いとは考えられなくても、比較的控えめな計算資源を用いて、これまでで最大規模のガウスボソンサンプリング実験をシミュレートすることができる。
新しい古典的アルゴリズムは、量子優位性の証拠として使われるベンチマークの大規模な実験よりも優れていることを示すことによって、古典的サンプリング器が実験よりも地上構造分布をシミュレートできることを示す。
関連論文リスト
- Variational Tensor Network Simulation of Gaussian Boson Sampling and Beyond [0.0]
一般連続変数サンプリング問題に対する古典的シミュレーションツールを提案する。
我々はサンプリング問題を、単純な少数体ハミルトンの基底状態を見つけるための問題として再定式化する。
我々はガウスボソンサンプリングをシミュレートして手法を検証する。
論文 参考訳（メタデータ） (2024-10-24T13:43:06Z) - On computational complexity and average-case hardness of shallow-depth boson sampling [0.0]
古典的にシミュレートが難しいと考えられる計算タスクであるボソンサンプリングは、量子計算の優位性を示すことを約束する。
実験的な実装におけるノイズは、古典的にシミュレート可能で、古典的なイントラクタビリティを妥協するボソンサンプリングをレンダリングする可能性があり、大きな課題となる。
浅深さ線形光回路を用いたボソンサンプリングによる量子計算の優位性の実現可能性について検討する。
論文 参考訳（メタデータ） (2024-05-03T00:12:48Z) - Classical modelling of a lossy Gaussian bosonic sampler [0.0]
損失GBSインスタンスの近似古典シミュレーションのためのアルゴリズムを提案する。
アルゴリズムの複雑さは、項数が固定されたときのモードの数を絞っている。
量子的優位性を証明したと主張する最近の実験では、これらの条件が満たされている。
論文 参考訳（メタデータ） (2024-04-01T09:19:27Z) - Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。
特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
論文 参考訳（メタデータ） (2023-02-13T19:57:17Z) - Quantum-inspired classical algorithm for graph problems by Gaussian
boson sampling [2.5496329090462626]
グラフ理論問題に応用可能な量子インスピレーション付き古典アルゴリズムを提案する。
ガウスボソンサンプリング器で符号化されるグラフの隣接行列は非負であり、量子干渉を必要としない。
論文 参考訳（メタデータ） (2023-02-01T16:02:31Z) - On classical simulation algorithms for noisy Boson Sampling [2.8655318786364408]
本稿では, ボソンサンプリング実験の出力分布から, およそのサンプルを抽出する古典的アルゴリズムを提案する。
これは、Aharonov、Gao、Landau、Liu、Vaziraniの最近の成果にインスパイアされたもので、元々はKalai Kindlerによる観測である。
論文 参考訳（メタデータ） (2023-01-27T04:42:59Z) - 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) - The Boundary for Quantum Advantage in Gaussian Boson Sampling [44.62475518267084]
最先端の量子フォトニクス実験では、既存の古典的アルゴリズムをシミュレートするのに6億年を要します。
本稿では,高速かつ高精度なGBSシミュレーション手法を提案する。
これにより、最先端のGBS実験をシミュレーションする実行時間を数ヶ月に短縮する。
論文 参考訳（メタデータ） (2021-08-03T16:49:40Z) - Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。
我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。
数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-11-18T16:40:45Z) - Active Model Estimation in Markov Decision Processes [108.46146218973189]
マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。
マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
論文 参考訳（メタデータ） (2020-03-06T16:17:24Z) - Gaussianization Flows [113.79542218282282]
そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。
この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
論文 参考訳（メタデータ） (2020-03-04T08:15:06Z)
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。