論文の概要: Tight bounds on Pauli channel learning without entanglement
- arxiv url: http://arxiv.org/abs/2309.13461v3
- Date: Fri, 18 Oct 2024 04:18:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-21 14:22:43.343043
- Title: Tight bounds on Pauli channel learning without entanglement
- Title（参考訳）: 絡み目のないパウリチャンネル学習におけるタイト境界
- Authors: Senrui Chen, Changhun Oh, Sisi Zhou, Hsin-Yuan Huang, Liang Jiang,
- Abstract要約: 我々は,絡み合いのない学習アルゴリズムを,主利得システムと補助システムとを分離可能な状態,測定,操作のみを利用するものとみなしている。
これらのアルゴリズムは、中間回路の測定と古典的なフィードフォワードにインターリーブされたメインシステムに量子回路を適用するものと等価であることを示す。
- 参考スコア（独自算出の注目度）: 2.2845597309741157
- License:
- Abstract: Quantum entanglement is a crucial resource for learning properties from nature, but a precise characterization of its advantage can be challenging. In this work, we consider learning algorithms without entanglement to be those that only utilize states, measurements, and operations that are separable between the main system of interest and an ancillary system. Interestingly, we show that these algorithms are equivalent to those that apply quantum circuits on the main system interleaved with mid-circuit measurements and classical feedforward. Within this setting, we prove a tight lower bound for Pauli channel learning without entanglement that closes the gap between the best-known upper and lower bound. In particular, we show that $\Theta(2^n\varepsilon^{-2})$ rounds of measurements are required to estimate each eigenvalue of an $n$-qubit Pauli channel to $\varepsilon$ error with high probability when learning without entanglement. In contrast, a learning algorithm with entanglement only needs $\Theta(\varepsilon^{-2})$ copies of the Pauli channel. The tight lower bound strengthens the foundation for an experimental demonstration of entanglement-enhanced advantages for Pauli noise characterization.
- Abstract（参考訳）: 量子絡み合いは性質を自然から学ぶ上で重要な資源であるが、その利点を正確に評価することは困難である。
本研究では, 絡み合いのない学習アルゴリズムを, メインシステムと補助システムとを分離可能な状態, 測定, 操作のみを利用するアルゴリズムとみなす。
興味深いことに、これらのアルゴリズムは、中間回路の測定と古典的なフィードフォワードにインターリーブされたメインシステムに量子回路を適用するものと等価である。
この設定内では、最もよく知られた上境界と下限のギャップを埋める絡みのないパウリチャネル学習に対して、厳密な下限を証明している。
特に、$\Theta(2^n\varepsilon^{-2})$ rounds of measured is requires to estimates each eigen value of a $n$-qubit Pauli channel to $\varepsilon$ error with high probability when learning without entanglement。
対照的に、絡み合いのある学習アルゴリズムは、パウリチャネルのコピーとして$\Theta(\varepsilon^{-2})しか必要としない。
厳密な下界は、パウリ雑音の特性評価のための絡み合い強化された利点の実験的実証の基礎を固める。
関連論文リスト
- Adaptivity is not helpful for Pauli channel learning [12.123876307427103]
このノートは、適応戦略が、絡み合った入力でPauliチャネルを学習し、テストするための追加の利点を提供していないことを示している。
まず、一般ノルム$l_p$に対して、絡み合った入力を持つパウリチャネルを学習する際の厳密なクエリ複雑性を確立する。
誤差分布のエントロピーを特徴とするPauliチャネルのノイズレベルを推定するクエリの複雑さが$Theta(4n/n)$であることを示す。
論文 参考訳（メタデータ） (2024-03-14T01:54:29Z) - Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。
我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
論文 参考訳（メタデータ） (2024-01-17T18:59:38Z) - Provable Advantage in Quantum PAC Learning [3.291862617649511]
PAC学習者は量子学習において汎用的な優位性を得ることができることを示す。
多相性因子は古典的な学習サンプルの複雑さよりも正方形の改善である。
論文 参考訳（メタデータ） (2023-09-19T19:26:20Z) - Simulating Noisy Variational Quantum Algorithms: A Polynomial Approach [1.806183113759115]
大規模変動量子アルゴリズムは量子優位性を達成するための潜在的な経路として広く認識されている。
本稿では,可観測物のバックプロパゲーションの積分経路に基づく新しい$gammaPPP法を提案する。
我々は,IBMの127量子ビットイーグルプロセッサにおけるゼロノード化実験結果の古典的シミュレーションを行う。
論文 参考訳（メタデータ） (2023-06-09T10:42:07Z) - Lower Bounds on Learning Pauli Channels [8.72305226979945]
ダイヤモンドノルムにおけるパウリチャネルを非交絡測定で学習する際のサンプルの複雑さの低い境界を示す。
非適応的な設定では、$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。
論文 参考訳（メタデータ） (2023-01-22T20:01:34Z) - 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) - Learning Two-Player Mixture Markov Games: Kernel Function Approximation
and Correlated Equilibrium [157.0902680672422]
非線形関数近似を用いた2プレイヤーゼロサムマルコフゲームにおけるナッシュ平衡の学習について検討する。
双対性ギャップを最小化してナッシュ均衡を求める新しいオンライン学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-10T14:21:54Z) - 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 advantages for Pauli channel estimation [2.5496329090462626]
絡み合った測定は、パウリチャネル推定のサンプルの複雑さにおいて指数関数的に有利である。
本稿では,アンシラ支援型推定プロトコルを実用的な量子ベンチマークタスクに適用する方法を示す。
論文 参考訳（メタデータ） (2021-08-19T04:10:28Z) - Provably Efficient Reward-Agnostic Navigation with Linear Value
Iteration [143.43658264904863]
我々は、最小二乗値スタイルのアルゴリズムで一般的に使用される、より標準的なベルマン誤差の概念の下での反復が、ほぼ最適値関数の学習において強力なPAC保証を提供することを示す。
そこで本稿では,任意の(線形な)報酬関数に対して,最適に近いポリシーを学習するためにどのように使用できるかを示す。
論文 参考訳（メタデータ） (2020-08-18T04:34:21Z) - 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。