論文の概要: Lower bounds on bipartite entanglement in noisy graph states
- arxiv url: http://arxiv.org/abs/2404.09014v1
- Date: Sat, 13 Apr 2024 14:01:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 17:34:10.195543
- Title: Lower bounds on bipartite entanglement in noisy graph states
- Title(参考訳): 雑音グラフ状態における二部構造エンタングルメントの下位境界
- Authors: Aqil Sajjad, Eneet Kaur, Kenneth Goodenough, Don Towsley, Saikat Guha,
- Abstract要約: 我々は、初期量子ビットがCZ演算の適用前に非偏極雑音を受けるノイズモデルを考える。
任意の量の(最大でない)偏極ノイズに対して厳密な正のコヒーレント情報を保持するグラフ状態の族を見つける。
- 参考スコア(独自算出の注目度): 8.59730790789283
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph states are a key resource for a number of applications in quantum information theory. Due to the inherent noise in noisy intermediate-scale quantum (NISQ) era devices, it is important to understand the effects noise has on the usefulness of graph states. We consider a noise model where the initial qubits undergo depolarizing noise before the application of the CZ operations that generate edges between qubits situated at the nodes of the resulting graph state. For this model we develop a method for calculating the coherent information -- a lower bound on the rate at which entanglement can be distilled, across a bipartition of the graph state. We also identify some patterns on how adding more nodes or edges affects the bipartite distillable entanglement. As an application, we find a family of graph states that maintain a strictly positive coherent information for any amount of (non-maximal) depolarizing noise.
- Abstract(参考訳): グラフ状態は、量子情報理論における多くの応用の鍵となる資源である。
ノイズのある中間スケール量子(NISQ)時代のデバイスには固有のノイズがあるため、ノイズがグラフ状態の有用性に与える影響を理解することが重要である。
本稿では,初期量子ビットがCZ演算を施す前に非偏極雑音を発生させるノイズモデルについて考察する。
本モデルでは,グラフ状態の2分割にまたがって,絡み合いを蒸留できる速度の低いコヒーレント情報を計算する手法を開発する。
また、より多くのノードやエッジを追加することが、バイパルタイト蒸留可能な絡み合いにどのように影響するかについて、いくつかのパターンを特定する。
応用として、任意の量の(最大でない)非偏極雑音に対して厳密な正のコヒーレント情報を保持するグラフの族を見つける。
関連論文リスト
- Random Geometric Graph Alignment with Graph Neural Networks [8.08963638000146]
グラフニューラルネットワークは、2つのグラフの頂点間の未知の1対1マッピングを復元可能であることを示す。
また、ノイズレベルの条件が対数的要因に厳密であることも証明した。
ノイズレベルが少なくとも一定である場合、この直接マッチングは完全なリカバリが得られず、グラフニューラルネットワークは、グラフの大きさのパワーと同じくらいの速さで成長するノイズレベルを許容できることを示した。
論文 参考訳(メタデータ) (2024-02-12T00:18:25Z) - Useful entanglement can be extracted from noisy graph states [0.0]
クラスタ状態とグラフ状態は一般に安定化器形式論の有用なモデルを提供する。
両特性を利用して、量子計算の堅牢な構築ブロックとして使用可能な、実現可能な状態の族を設計する。
物理量子ビットの最小限のオーバーヘッドしか持たない線形グラフの適切な設計により、ロバストな絡み合いを抽出できることが示される。
論文 参考訳(メタデータ) (2024-02-01T19:00:05Z) - Causal Layering via Conditional Entropy [85.01590667411956]
因果発見は、生成した観測可能なデータから観測されていない因果グラフに関する情報を回収することを目的としている。
我々は、条件付きエントロピーオラクルを介してデータにアクセスすることによって、グラフの階層化を回復する方法を提供する。
論文 参考訳(メタデータ) (2024-01-19T05:18:28Z) - Root Cause Explanation of Outliers under Noisy Mechanisms [50.59446568076628]
因果過程は、しばしばグラフとしてモデル化され、エンティティはノードであり、パス/インターコネクションはエッジである。
既存の作業は、生成プロセスにおけるノードの寄与のみを考慮している。
根本原因を特定する際,各メカニズムの個々のエッジとノードについて検討する。
論文 参考訳(メタデータ) (2023-12-19T03:24:26Z) - Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。
RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。
6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
論文 参考訳(メタデータ) (2023-11-02T12:47:49Z) - Multipartite Entanglement Distribution in Quantum Networks using Subgraph Complementations [9.32782060570252]
量子ネットワーク上でグラフ状態を分散する新しい手法を提案する。
グラフ状態の分布は,部分グラフ補完システムによって特徴づけられることを示す。
任意のグラフ状態の分配に最適な部分グラフ補完演算の列を求める。
論文 参考訳(メタデータ) (2023-08-25T23:03:25Z) - Graph Signal Sampling for Inductive One-Bit Matrix Completion: a
Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。
キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。
オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文 参考訳(メタデータ) (2023-02-08T08:17:43Z) - DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。
分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。
また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
論文 参考訳(メタデータ) (2022-09-29T12:55:03Z) - How Powerful is Implicit Denoising in Graph Neural Networks [33.01155523195073]
我々は、GNNで暗黙の妄想が起こる時期と理由を総合的な理論的研究を行い、分析する。
我々の理論的分析は、暗黙の認知は接続性、グラフサイズ、GNNアーキテクチャに大きく依存していることを示唆している。
我々は頑健なグラフ畳み込みを導出し、ノード表現の滑らかさと暗黙の認知効果を高めることができる。
論文 参考訳(メタデータ) (2022-09-29T02:19:39Z) - Reasoning Graph Networks for Kinship Verification: from Star-shaped to
Hierarchical [85.0376670244522]
階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。
より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。
また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
論文 参考訳(メタデータ) (2021-09-06T03:16:56Z) - Learning Node Representations from Noisy Graph Structures [38.32421350245066]
現実のネットワークではノイズが広まっており、ネットワークを危険にさらしている。
本研究では,ノイズのないノード表現を学習し,同時にノイズを除去する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-12-04T07:18:39Z)
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。