論文の概要: Learning finitely correlated states: stability of the spectral reconstruction
- arxiv url: http://arxiv.org/abs/2312.07516v2
- Date: Thu, 2 May 2024 17:20:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-03 22:00:43.142891
- Title: Learning finitely correlated states: stability of the spectral reconstruction
- Title（参考訳）: 有限相関状態の学習:スペクトル再構成の安定性
- Authors: Marco Fanizza, Niklas Galke, Josep Lumbreras, Cambyse Rouzé, Andreas Winter,
- Abstract要約: 鎖上の有限相関な変換不変状態の$t$系のブロックの辺は、$O(t2)$コピーでトレース距離で学習可能であることを示す。
このアルゴリズムは、最小結合次元で制限された最悪の場合において、制御された大きさの限界を推定することのみを必要とする。
- 参考スコア（独自算出の注目度）: 1.9573380763700716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We show that marginals of blocks of $t$ systems of any finitely correlated translation invariant state on a chain can be learned, in trace distance, with $O(t^2)$ copies -- with an explicit dependence on local dimension, memory dimension and spectral properties of a certain map constructed from the state -- and computational complexity polynomial in $t$. The algorithm requires only the estimation of a marginal of a controlled size, in the worst case bounded by the minimum bond dimension, from which it reconstructs a translation invariant matrix product operator. In the analysis, a central role is played by the theory of operator systems. A refined error bound can be proven for $C^*$-finitely correlated states, which have an operational interpretation in terms of sequential quantum channels applied to the memory system. We can also obtain an analogous error bound for a class of matrix product density operators reconstructible by local marginals. In this case, a linear number of marginals must be estimated, obtaining a sample complexity of $\tilde{O}(t^3)$. The learning algorithm also works for states that are only close to a finitely correlated state, with the potential of providing competitive algorithms for other interesting families of states.
- Abstract（参考訳）: 鎖上の有限相関変換不変状態の$t$系のブロックの辺は、その状態から構築されたある写像の局所次元、メモリ次元、スペクトル特性に明示的に依存した$O(t^2)$コピーと、$t$の計算複雑性多項式によって、トレース距離で学習できることが示される。
このアルゴリズムは、最小結合次元に縛られる最悪の場合において、制御された大きさの辺りの推定のみを必要とし、そこから変換不変行列積演算子を再構成する。
解析において、中心的な役割は作用素系の理論によって演じられる。
洗練されたエラー境界は、メモリシステムに適用された逐次量子チャネルの操作的解釈を持つ$C^*$-finitely correlation(英語版)状態に対して証明することができる。
また、局所境界によって再構成可能な行列積密度作用素のクラスに対する類似誤差を得ることもできる。
この場合、線形数の限界を推定し、サンプルの複雑さは$\tilde{O}(t^3)$である。
学習アルゴリズムは、有限相関状態にしか近づかない状態に対しても有効であり、他の興味深い状態の族に対して競合アルゴリズムを提供する可能性がある。
関連論文リスト
- Transfer Operators from Batches of Unpaired Points via Entropic
Transport Kernels [3.099885205621181]
そこで我々は,最大形推論関数を導出し,計算可能な近似を提案し,それらの特性を解析する。
我々は、ブロック数$N$が無限に近づくと、経験的近似から真の密度を回復できることを示す$Gamma$-convergenceの結果を証明する。
論文 参考訳（メタデータ） (2024-02-13T12:52:41Z) - Classifying fermionic states via many-body correlation measures [0.0]
我々はフェミオン相関と効率的な計算物理手法のリンクを確立する。
我々は、$k$-fermion相関に対する厳密な状態の分類を見つけ、計算物理学的な解釈を認める。
論文 参考訳（メタデータ） (2023-09-14T18:00:02Z) - Nonlocality under Computational Assumptions [51.020610614131186]
相関の集合が非局所であるとは、空間的分離な当事者がランダム性を共有し、局所的な操作を実行することによって再現できないことである。
ランダム性や量子時間計算によって再現できない局所的な(効率のよい)測定結果が存在することを示す。
論文 参考訳（メタデータ） (2023-03-03T16:53:30Z) - Learning Transition Operators From Sparse Space-Time Samples [11.859913430860335]
遷移作用素$mathbfA$を異なる時間における部分的な観測から学習する非線形問題を考察する。
我々は、$mathcalOrn log(nT)$ space-time sample が、ランク=r$演算子の正確な回復を保証するのに十分であることを示す。
論文 参考訳（メタデータ） (2022-12-01T18:33:59Z) - Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。
線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
論文 参考訳（メタデータ） (2022-04-20T21:15:38Z) - Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。
我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。
MRP のサブクラスに対する minimax の下位境界を証明する。
論文 参考訳（メタデータ） (2021-09-24T14:48:20Z) - Statistically Meaningful Approximation: a Case Study on Approximating
Turing Machines with Transformers [50.85524803885483]
本研究は,統計的学習性を示すために近似ネットワークを必要とする統計有意(SM)近似の形式的定義を提案する。
回路とチューリングマシンの2つの機能クラスに対するSM近似について検討する。
論文 参考訳（メタデータ） (2021-07-28T04:28:55Z) - An $L^2$ Analysis of Reinforcement Learning in High Dimensions with
Kernel and Neural Network Approximation [9.088303226909277]
本稿では,カーネル法や2層ニューラルネットワークモデルを用いて関数近似を行う状況について考察する。
私たちは$tildeO(H3|mathcal A|frac14n-frac14)$を$Hn$サンプルで最適なポリシーにバインドします。
この結果はまだ有限次元の作用空間を必要とするが、誤差境界は状態空間の次元とは独立である。
論文 参考訳（メタデータ） (2021-04-15T21:59:03Z) - Improved rates for prediction and identification of partially observed
linear dynamical systems [4.68299658663016]
部分的な観測から線形時間イン力学系の同定は制御理論の基本的な問題である。
本稿では,システム固有の$d$に依存する非漸近統計率でそのようなシステムを学習するアルゴリズムを提案する。
本アルゴリズムは,ハンケル行列に適用したマルチスケール低ランク近似SVDに基づく。
論文 参考訳（メタデータ） (2020-11-19T18:04:18Z) - Robustly Learning any Clusterable Mixture of Gaussians [55.41573600814391]
本研究では,高次元ガウス混合系の対向ロバスト条件下での効率的な学習性について検討する。
理論的に最適に近い誤り証明である$tildeO(epsilon)$の情報を、$epsilon$-corrupted $k$-mixtureで学習するアルゴリズムを提供する。
我々の主な技術的貢献は、ガウス混合系からの新しい頑健な識別可能性証明クラスターであり、これは正方形の定度証明システムによって捉えることができる。
論文 参考訳（メタデータ） (2020-05-13T16:44:12Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。