Fugu-MT 論文翻訳(概要): Free Fermion Distributions Are Hard to Learn

論文の概要: Free Fermion Distributions Are Hard to Learn

arxiv url: http://arxiv.org/abs/2306.04731v1
Date: Wed, 7 Jun 2023 18:51:58 GMT
ステータス: 処理完了
システム内更新日: 2023-06-09 18:04:11.224742
Title: Free Fermion Distributions Are Hard to Learn
Title（参考訳）: 自由フェルミオン分布は学ぶのが難しい
Authors: Alexander Nietner
Abstract要約: 我々は、粒子数非保存の場合において、このタスクの硬さを確立する。期待値から学習する一般的なタスクに対して,情報理論的難易度結果を与える。特に,確率密度関数の学習を想定した計算硬度結果を与える。
参考スコア（独自算出の注目度）: 91.3755431537592
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Free fermions are some of the best studied quantum systems. However, little is known about the complexity of learning free-fermion distributions. In this work we establish the hardness of this task in the particle number non-preserving case. In particular, we give an information theoretical hardness result for the general task of learning from expectation values and, in the more general case when the algorithm is given access to samples, we give a computational hardness result based on the LPN assumption for learning the probability density function.
Abstract（参考訳）: 自由フェルミオンは最もよく研究されている量子系である。しかし、自由フェルミオン分布の学習の複雑さについてはほとんど分かっていない。本研究では, 粒子数非保存の場合において, このタスクの硬さを確立する。特に,期待値から学習する一般的なタスクに対して情報理論的硬度結果を与えるとともに,アルゴリズムがサンプルへのアクセスを与えられた場合,確率密度関数を学習するためのLPN仮定に基づく計算硬度結果を与える。

関連論文リスト

Bounds and guarantees for learning and entanglement [0.0]
情報理論は、与えられたデータセット上での学習アルゴリズムのパフォーマンスを予測するツールを提供する。この研究はまず、小さな条件エントロピーが学習を成功させるのに十分であることを示すことで、この関係を拡張した。この情報理論と学習の関連性は、量子システムを含む学習タスクを特徴づけるために、同様に量子情報理論を適用することを示唆している。
論文参考訳（メタデータ） (2024-04-10T18:09:22Z)
Learning Properties of Quantum States Without the I.I.D. Assumption [7.537220883022466]
我々は、独立かつ同一に分散された(d.d.)入力状態の仮定を超えた量子状態の性質を学習するためのフレームワークを開発する。我々は厳密な量子情報理論を用いて、主要な結果を証明している。
論文参考訳（メタデータ） (2024-01-30T11:45:38Z)
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)
A super-polynomial quantum-classical separation for density modelling [9.980327191634071]
フォールトトレラントな量子コンピュータは古典的学習アルゴリズムよりも超ポリノミカルな優位性が得られることを示す。また、任意の弱擬似ランダム関数を用いて古典的強密度モデリング問題を構築することも示している。
論文参考訳（メタデータ） (2022-10-26T18:00:03Z)
Phase Diagram Detection via Gaussian Fitting of Number Probability Distribution [0.0]
本研究では,グローバルに保存された粒子数を持つ量子多体系のサブポーションを特徴付ける数確率密度関数について検討する。リッチな1次元拡張Bose-Hubbardモデルの基底状態位相図をマッピングできる線形フィッティングプロトコルを提案する。
論文参考訳（メタデータ） (2022-07-04T15:15:01Z)
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)
Sample-Efficient Reinforcement Learning of Undercomplete POMDPs [91.40308354344505]
この研究は、これらの硬度障壁が、部分観測可能決定過程(POMDP)の豊かで興味深いサブクラスに対する効率的な強化学習を妨げないことを示している。提案手法は, 観測回数が潜伏状態の数よりも大きく, 探索が学習に不可欠であり, 先行研究と区別できるような, エピソード有限不完全POMDPに対するサンプル効率アルゴリズムOOM-UCBを提案する。
論文参考訳（メタデータ） (2020-06-22T17:58:54Z)
Sample-efficient learning of quantum many-body systems [17.396274240172122]
ギブス状態から得られた量子多体系のハミルトニアンを学習する問題について検討する。量子ハミルトン学習問題に対する最初のサンプル効率アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-04-15T18:01:59Z)
On estimating the entropy of shallow circuit outputs [49.1574468325115]
確率分布と量子状態のエントロピーを推定することは情報処理の基本的な課題である。本稿では,有界ファンインと非有界ファンアウトのゲートを持つ対数深度回路か定数深度回路のいずれかによって生成された分布や状態に対するエントロピー推定が,少なくともLearning with Errors問題と同程度難しいことを示す。
論文参考訳（メタデータ） (2020-02-27T15:32:08Z)
Statistical Limits of Supervised Quantum Learning [90.0289160657379]
精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
論文参考訳（メタデータ） (2020-01-28T17:35:32Z)

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。