論文の概要: Linear cross-entropy certification of quantum computational advantage in Gaussian Boson Sampling

• arxiv url: http://arxiv.org/abs/2403.15339v2
• Date: Wed, 02 Oct 2024 15:15:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-03 15:17:04.056330
• Title: Linear cross-entropy certification of quantum computational advantage in Gaussian Boson Sampling
• Title（参考訳）: ガウスボソンサンプリングにおける量子計算優位性の線形クロスエントロピー証明
• Authors: Javier Martínez-Cifuentes, Hubert de Guise, Nicolás Quesada,
• Abstract要約: 我々は,対応する理想分布を用いてGBS実装を直接検証することで,この問題を回避することができると論じる。 我々は、LXEスコアと呼ばれる線形クロスエントロピーの修正版を用いて、与えられたGBS実装が対応する理想モデルにどの程度近いかを評価するのに役立つ基準値を求める。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Validation of quantum advantage claims in the context of Gaussian Boson Sampling (GBS) currently relies on providing evidence that the experimental samples genuinely follow their corresponding ground truth, i.e., the theoretical model of the experiment that includes all the possible losses that the experimenters can account for. This approach to verification has an important drawback: it is necessary to assume that the ground truth distributions are computationally hard to sample, that is, that they are sufficiently close to the distribution of the ideal, lossless experiment, for which there is evidence that sampling, either exactly or approximately, is a computationally hard task. This assumption, which cannot be easily confirmed, opens the door to classical algorithms that exploit the noise in the ground truth to efficiently simulate the experiments, thus undermining any quantum advantage claim. In this work, we argue that one can avoid this issue by validating GBS implementations using their corresponding ideal distributions directly. We explain how to use a modified version of the linear cross-entropy, a measure that we call the LXE score, to find reference values that help us assess how close a given GBS implementation is to its corresponding ideal model. Finally, we analytically compute the score that would be obtained by a lossless GBS implementation.
• Abstract（参考訳）: ガウスボソンサンプリング(GBS)の文脈における量子優位性主張の検証は、現在、実験サンプルが真に対応する基底真理に従う証拠、すなわち実験者が説明できる全ての損失を含む実験の理論的モデルを提供することに依存している。 この検証へのアプローチには重要な欠点がある: 基底の真理分布が標本化が困難である、すなわち、理想的、損失のない実験の分布に十分近いと仮定する必要がある。 この仮定は容易には確認できないが、基底の真実のノイズを利用して実験を効率的にシミュレートする古典的なアルゴリズムの扉を開くことで、量子上の有利な主張を損なう。 本研究では,GBS の実装を,対応する理想分布を用いて直接検証することで,この問題を回避することができると論じる。 我々は、LXEスコアと呼ばれる線形クロスエントロピーの修正版を用いて、与えられたGBS実装が対応する理想モデルにどの程度近いかを評価するのに役立つ基準値を求める。 最後に、損失のないGBS実装で得られるスコアを解析的に計算する。

関連論文リスト

• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• NETS: A Non-Equilibrium Transport Sampler [15.58993313831079]
  我々は、Non-Equilibrium Transport Sampler (NETS)と呼ばれるアルゴリズムを提案する。 NETSはJarzynskiの平等に基づいて、重要サンプリング(AIS)の亜種と見なすことができる。 このドリフトは、様々な目的関数の最小化であり、全て偏りのない方法で推定できることを示す。
  論文  参考訳（メタデータ） (2024-10-03T17:35:38Z)
• Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation of Prediction Rationale [53.152460508207184]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。 本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。 最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
  論文  参考訳（メタデータ） (2024-02-02T05:53:22Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Gaussian boson sampling validation via detector binning [0.0]
  本稿では,GBS実験を統計的に検証するに適した量として,双対検出器の確率分布を提案する。 それぞれの特性関数との接続を利用して,そのような分布の計算方法を示す。 また、すべての可能な干渉ネットワーク上でHaar平均化を行うとき、双対検出器の確率分布がどのように振る舞うかを示す。
  論文  参考訳（メタデータ） (2023-10-27T12:55:52Z)
• Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
  GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。 我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。 本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
  論文  参考訳（メタデータ） (2023-01-23T19:57:58Z)
• 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)
• Validation tests of GBS quantum computers give evidence for quantum advantage with a decoherent target [62.997667081978825]
  複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。 偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
  論文  参考訳（メタデータ） (2022-11-07T12:00:45Z)
• Simpler Certified Radius Maximization by Propagating Covariances [39.851641822878996]
  Cifar-10、ImageNet、Places365などのデータセットの認定半径を最大化するアルゴリズムを示します。 これらの基準を満たすことで、データセットの認定半径を適度な深さで最大化し、全体の精度を小さくするアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2021-04-13T01:38:36Z)
• Quantum Conformance Test [0.0]
  本稿では,テスト対象のプロセスが参照プロセスに適合するかどうかを判断するプロトコルを提案する。 仮説テストの文脈で問題を定式化し、オブジェクトを純粋な損失チャネルとしてモデル化できる特定のケースについて考察する。 我々はこのプロトコルを実験的に実装し、光双対ビームを利用して理論結果を検証した。
  論文  参考訳（メタデータ） (2020-12-30T18:53:23Z)

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。