論文の概要: Probabilistic channel simulation using coherence
- arxiv url: http://arxiv.org/abs/2404.06775v1
- Date: Wed, 10 Apr 2024 06:31:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-11 15:19:53.039719
- Title: Probabilistic channel simulation using coherence
- Title(参考訳): コヒーレンスを用いた確率的チャネルシミュレーション
- Authors: Benchi Zhao, Kosuke Ito, Keisuke Fujii,
- Abstract要約: 自由操作によるチャネルシミュレーションにおいて,最大成功確率と精度の関係を示す。
ターゲットチャネルがリソース非活性化チャネルでなければ、決定論的および確率論的の両方を正確にシミュレートすることはできないことが証明されている。
- 参考スコア(独自算出の注目度): 0.8009842832476994
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Channel simulation using coherence, which refers to realizing a target channel with coherent states and free operations, is a fundamental problem in quantum resource theory. The limitations of the accuracy of deterministic channel simulation motivate us to consider the more general probabilistic framework. In this work, we show the relation between the maximal success probability and the accuracy of channel simulation with free operations. When the chosen free operation is the maximally incoherent operation (MIO), we provide an efficiently computable semidefinite program (SDP) to calculate the maximal success probability and derive the analytic expression of success probability for some special cases. When the chosen free operation is dephasing-covariant incoherent operations (DIO), it is proved that if the target channel is not a resource nonactivating channel, then one cannot simulate it exactly both deterministically and probabilistically. The SDP for maximal success probability of simulating channel by DIO is also given correspondingly.
- Abstract(参考訳): コヒーレンスを用いたチャネルシミュレーションは、コヒーレントな状態と自由な操作を持つターゲットチャネルの実現を意味し、量子資源理論の基本的な問題である。
決定論的チャネルシミュレーションの精度の限界は、より一般的な確率的枠組みを考える動機となっている。
本研究では, チャネルシミュレーションの精度と最大成功確率の関係を示す。
選択した自由操作が最大不整合演算 (MIO) である場合, 効率よく計算可能な半定値プログラム (SDP) を提供する。
選択された自由操作が嫌悪共役操作 (DIO) である場合、ターゲットチャネルがリソース非活性化チャネルでなければ、決定的かつ確率的に、正確にそれをシミュレートすることはできないことが証明される。
また、DIOによるチャネルシミュレーションの最大成功確率のSDPも対応する。
関連論文リスト
- Programmable Quantum Processors: Equivalence and Learning [0.0]
プログラマブル量子プロセッサ(英: Programmable quantum processor)は、入力データ状態を所望の方法で変換できるデバイスである。
3種類の確率同値(強、弱、構造)が定義された。
構造的に等価なプロセッサの演算子の範囲は同一であることが判明した。
論文 参考訳(メタデータ) (2024-11-04T17:18:18Z) - Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳(メタデータ) (2024-07-10T17:39:50Z) - Quantum channel decomposition with pre- and post-selection [0.7597059965024503]
本稿では,特定の量子状態に対する入力と出力条件を持つターゲットユニタリに対するチャネル分解法を提案する。
選択不要のシナリオよりもはるかに小さくなる可能性がある分解チャネルの必要数を明確に決定する。
本手法を量子線形解法アルゴリズムに適用し,提案手法の有効性を明らかにする。
論文 参考訳(メタデータ) (2023-05-19T12:48:21Z) - Robust Control for Dynamical Systems With Non-Gaussian Noise via Formal
Abstractions [59.605246463200736]
雑音分布の明示的な表現に依存しない新しい制御器合成法を提案する。
まず、連続制御系を有限状態モデルに抽象化し、離散状態間の確率的遷移によってノイズを捕捉する。
我々は最先端の検証技術を用いてマルコフ決定プロセスの間隔を保証し、これらの保証が元の制御システムに受け継がれるコントローラを演算する。
論文 参考訳(メタデータ) (2023-01-04T10:40:30Z) - 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) - Bayesian sequential design of computer experiments for quantile set inversion [0.0]
複素数値シミュレータのようなシステムを表現する未知の多変量関数を考える。
我々の目的は、確率が与えられた閾値未満の出力につながる決定論的入力のセットを推定することである。
論文 参考訳(メタデータ) (2022-11-02T10:14:05Z) - Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。
我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
論文 参考訳(メタデータ) (2022-03-01T19:00:11Z) - Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian
Noise [59.47042225257565]
雑音分布の明示的な表現に依存しない新しい計画法を提案する。
まず、連続系を離散状態モデルに抽象化し、状態間の確率的遷移によってノイズを捕捉する。
いわゆる区間マルコフ決定過程(iMDP)の遷移確率区間におけるこれらの境界を捉える。
論文 参考訳(メタデータ) (2021-10-25T06:18:55Z) - Reinforcement Learning Based Temporal Logic Control with Maximum
Probabilistic Satisfaction [5.337302350000984]
本稿では,制御ポリシを合成するモデルレス強化学習アルゴリズムを提案する。
RLをベースとした制御合成の有効性をシミュレーションおよび実験により実証した。
論文 参考訳(メタデータ) (2020-10-14T03:49:16Z) - Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。
我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
論文 参考訳(メタデータ) (2020-07-08T07:44:00Z)
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。