論文の概要: An optimal tradeoff between entanglement and copy complexity for state
tomography
- arxiv url: http://arxiv.org/abs/2402.16353v1
- Date: Mon, 26 Feb 2024 07:18:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 14:26:39.243709
- Title: An optimal tradeoff between entanglement and copy complexity for state
tomography
- Title（参考訳）: 状態トモグラフィにおける絡み合いとコピー複雑さの最適トレードオフ
- Authors: Sitan Chen, Jerry Li, Allen Liu
- Abstract要約: 本研究では,1回に$t$のコピーを計測できる自然環境下でのトモグラフィーについて検討する。
これは量子学習タスクで知られている最初のスムーズなエンタングルメント・コピープロトコルである。
重要な洞察は、シュリロンワイルサンプリングを用いて$rho$のスペクトルを推定するのではなく、最大混合状態から$rho$の偏差を推定することである。
- 参考スコア（独自算出の注目度）: 24.737530909081915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There has been significant interest in understanding how practical
constraints on contemporary quantum devices impact the complexity of quantum
learning. For the classic question of tomography, recent work tightly
characterized the copy complexity for any protocol that can only measure one
copy of the unknown state at a time, showing it is polynomially worse than if
one can make fully-entangled measurements. While we now have a fairly complete
picture of the rates for such tasks in the near-term and fault-tolerant
regimes, it remains poorly understood what the landscape in between looks like.
In this work, we study tomography in the natural setting where one can make
measurements of $t$ copies at a time. For sufficiently small $\epsilon$, we
show that for any $t \le d^2$,
$\widetilde{\Theta}(\frac{d^3}{\sqrt{t}\epsilon^2})$ copies are necessary and
sufficient to learn an unknown $d$-dimensional state $\rho$ to trace distance
$\epsilon$. This gives a smooth and optimal interpolation between the known
rates for single-copy and fully-entangled measurements.
To our knowledge, this is the first smooth entanglement-copy tradeoff known
for any quantum learning task, and for tomography, no intermediate point on
this curve was known, even at $t = 2$. An important obstacle is that unlike the
optimal single-copy protocol, the optimal fully-entangled protocol is
inherently biased and thus precludes naive batching approaches. Instead, we
devise a novel two-stage procedure that uses Keyl's algorithm to refine a crude
estimate for $\rho$ based on single-copy measurements. A key insight is to use
Schur-Weyl sampling not to estimate the spectrum of $\rho$, but to estimate the
deviation of $\rho$ from the maximally mixed state. When $\rho$ is far from the
maximally mixed state, we devise a novel quantum splitting procedure that
reduces to the case where $\rho$ is close to maximally mixed.
- Abstract（参考訳）: 現代の量子デバイスに対する実践的な制約が量子学習の複雑さにどのように影響するかを理解することに、大きな関心が寄せられている。
トモグラフィーの古典的な問題に対して、最近の研究は、未知の状態のコピーを一度に1つだけ測定できるプロトコルのコピー複雑さを強く特徴付け、完全に絡み合った測定を行うことができる場合よりも多項式的に悪いことを示す。
短期的かつフォールトトレラントな体制では,このようなタスクの比率が十分に把握されていますが,その間の状況はいまだによく分かっていません。
本研究では,1回に$t$のコピーを計測できる自然環境下でのトモグラフィーについて検討する。
十分小さな$\epsilon$に対して、任意の$t \le d^2$, $\widetilde{\Theta}(\frac{d^3}{\sqrt{t}\epsilon^2})$コピーは、未知の$d$次元状態$\rho$から距離$\epsilon$を学習するのに必要で十分であることを示す。
これにより、既知のシングルコピーと完全絡み合った測定値の間の滑らかで最適な補間が得られる。
我々の知る限り、これは任意の量子学習タスクで知られている初めてのスムーズなエンタングルメント・コピートレードオフであり、トモグラフィーではこの曲線の中間点が知られていなかった。
重要な障害は、最適な単一コピープロトコルとは異なり、最適な完全絡み合ったプロトコルは本質的にバイアスを受けており、単純なバッチ処理アプローチを妨げていることである。
代わりに、キールのアルゴリズムを用いて、単一コピー測定に基づいて$$\rho$の粗見積を精算する新しい2段階の手順を考案する。
主要な洞察は、シュル=ワイルサンプリングを用いて$\rho$のスペクトルを推定するのではなく、最大混合状態から$\rho$の偏差を推定することである。
$\rho$ が最大混合状態から遠く離れている場合、$\rho$ が最大混合状態に近い場合まで減少する新しい量子分割手順を考案する。
関連論文リスト
- Projection by Convolution: Optimal Sample Complexity for Reinforcement Learning in Continuous-Space MDPs [56.237917407785545]
本稿では,円滑なベルマン作用素を持つ連続空間マルコフ決定過程(MDP)の一般クラスにおいて,$varepsilon$-optimal Policyを学習する問題を考察する。
我々のソリューションの鍵となるのは、調和解析のアイデアに基づく新しい射影技術である。
我々の結果は、連続空間 MDP における2つの人気と矛盾する視点のギャップを埋めるものである。
論文 参考訳（メタデータ） (2024-05-10T09:58:47Z) - Nearly Minimax Optimal Regret for Learning Linear Mixture Stochastic
Shortest Path [80.60592344361073]
線形混合遷移カーネルを用いた最短経路(SSP)問題について検討する。
エージェントは繰り返し環境と対話し、累積コストを最小化しながら特定の目標状態に到達する。
既存の作業は、イテレーションコスト関数の厳密な下限や、最適ポリシーに対する期待長の上限を仮定することが多い。
論文 参考訳（メタデータ） (2024-02-14T07:52:00Z) - Learning Distributions over Quantum Measurement Outcomes [4.467248776406005]
量子状態に対するシャドウトモグラフィーは、量子システムの特性を予測するためのサンプル効率の良いアプローチを提供する。
我々は,この問題を高い確率で解決するオンラインシャドウトモグラフィー手法を開発した。
論文 参考訳（メタデータ） (2022-09-07T09:08:58Z) - Lower bounds for learning quantum states with single-copy measurements [3.2590610391507444]
量子トモグラフィーとシャドウトモグラフィーの問題点を,未知の$d$次元状態の個々のコピーを用いて測定した。
特に、この手法は、その複雑さの観点から、フォークロアのパウリ・トモグラフィー(Pauli tomography)アルゴリズムの最適性を厳格に確立する。
論文 参考訳（メタデータ） (2022-07-29T02:26:08Z) - When Does Adaptivity Help for Quantum State Learning? [19.89243001385691]
非コヒーレントな測定を使用するプロトコルには$Omega(d3/epsilon2)$コピーが必要である。
不整合の測定に最適である$tildeO(d3/gamma)$コピーのみを用いて、不整合で$gamma$-closeの状態を$rho$に出力する適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-10T17:59:16Z) - Sharper Rates and Flexible Framework for Nonconvex SGD with Client and
Data Sampling [64.31011847952006]
我々は、平均$n$スムーズでおそらくは非カラー関数のほぼ定常点を求める問題を再考する。
我々は$smallsfcolorgreen$を一般化し、事実上あらゆるサンプリングメカニズムで確実に動作するようにします。
我々は、スムーズな非カラー状態における最適境界の最も一般的な、最も正確な解析を提供する。
論文 参考訳（メタデータ） (2022-06-05T21:32:33Z) - Tight Bounds for Quantum State Certification with Incoherent
Measurements [18.566266990940374]
$sigma$ が最大混合状態 $frac1d I_d$ である場合、これは混合性テストとして知られている。
我々は、非コヒーレントな測定を使用するアルゴリズム、すなわち一度に$rho$のコピーを1つだけ測定するアルゴリズムに焦点を当てる。
論文 参考訳（メタデータ） (2022-04-14T17:59:31Z) - Settling the Sample Complexity of Model-Based Offline Reinforcement
Learning [50.5790774201146]
オフライン強化学習(RL)は、事前収集されたデータを用いて、さらなる探索を行わずに学習する。
事前のアルゴリズムや分析は、最適なサンプルの複雑さに悩まされるか、サンプルの最適性に到達するために高いバーンインコストがかかるかのいずれかである。
モデルベース(あるいは"プラグイン")アプローチは,バーンインコストを伴わずに,最小限のサンプル複雑性を実現することを実証する。
論文 参考訳（メタデータ） (2022-04-11T17:26:19Z) - Distributed quantum inner product estimation [14.222887950206658]
2つの量子コンピュータ上で準備された状態の忠実度を推定することを目的とした、クロスプラットフォーム検証として知られるベンチマークタスクが提案されている。
ハードウェアの制約により、2つの物理プラットフォーム間で量子通信を行うことはできない。
サンプルの複雑さは、最強の設定でも少なくとも$Omega(max1/varepsilon2,sqrtd/varepsilon)$でなければならない。
論文 参考訳（メタデータ） (2021-11-05T05:35:03Z) - Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and
Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。
Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文 参考訳（メタデータ） (2020-06-04T17:51:00Z) - Breaking the Sample Size Barrier in Model-Based Reinforcement Learning
with a Generative Model [50.38446482252857]
本稿では、生成モデル(シミュレータ)へのアクセスを想定して、強化学習のサンプル効率について検討する。
最初に$gamma$-discounted infinite-horizon Markov decision process (MDPs) with state space $mathcalS$ and action space $mathcalA$を考える。
対象の精度を考慮すれば,モデルに基づく計画アルゴリズムが最小限のサンプルの複雑さを実現するのに十分であることを示す。
論文 参考訳（メタデータ） (2020-05-26T17:53:18Z)
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。