論文の概要: High-Dimensional Subspace Expansion Using Classical Shadows

• arxiv url: http://arxiv.org/abs/2406.11533v1
• Date: Mon, 17 Jun 2024 13:37:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 14:42:04.947373
• Title: High-Dimensional Subspace Expansion Using Classical Shadows
• Title（参考訳）: 古典的影を用いた高次元部分空間拡大
• Authors: Gregory Boyd, Bálint Koczor, Zhenyu Cai,
• Abstract要約: 本研究では,地下状態推定の精度を高めるため,従来の影計測データに対する後処理手法を提案する。 提案手法のノイズ伝搬を解析的に検討し,古典的影におけるスナップショット数の制限による統計的変動の上限について検討した。 数値シミュレーションでは, 多くの場合, 時には1桁以上のエネルギー推定誤差を低減できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a post-processing technique for classical shadow measurement data that enhances the precision of ground state estimation through high-dimensional subspace expansion; the dimensionality is only limited by the amount of classical post-processing resources rather than by quantum resources. Crucial steps of our approach are the efficient identification of useful observables from shadow data, followed by our regularised subspace expansion that is designed to be numerically stable even when using noisy data. We analytically investigate noise propagation within our method, and upper bound the statistical fluctuations due to the limited number of snapshots in classical shadows. In numerical simulations, our method can achieve a reduction in the energy estimation errors in many cases, sometimes by more than an order of magnitude. We also demonstrate that our performance improvements are robust against both coherent errors (bad initial state) and gate noise in the state-preparation circuits. Furthermore, performance is guaranteed to be at least as good - and in many cases better - than direct energy estimation without using additional quantum resources and the approach is thus a very natural alternative for estimating ground state energies directly from classical shadow data.
• Abstract（参考訳）: 本研究では,高次元部分空間展開による基底状態推定の精度を向上する古典的影計測データのポストプロセッシング手法を提案する。 提案手法の要点は, シャドウデータから有用な観測対象を効率的に同定し, ノイズデータを用いても数値的に安定な部分空間展開を定式化することである。 提案手法におけるノイズ伝搬を解析的に検討し,古典的影におけるスナップショット数の制限による統計的変動の上限について検討した。 数値シミュレーションでは, 多くの場合, 時には1桁以上のエネルギー推定誤差を低減できる。 また、状態調整回路におけるコヒーレントエラー(初期状態の悪さ)とゲートノイズの両方に対して、性能改善が堅牢であることを示す。 さらに、性能は、追加の量子資源を使わずに直接エネルギー推定よりも、少なくとも良い、そして多くの場合は良いと保証されており、このアプローチは古典的なシャドウデータから直接基底状態エネルギーを推定するための非常に自然な代替手段である。

関連論文リスト

• Noise-mitigated randomized measurements and self-calibrating shadow estimation [0.0]
  ランダム化測定の誤差軽減手法を導入し,ロバストなシャドウ推定手法を提案する。 実用面では, 量子実験と同じセッションを用いて, 誤差緩和と影推定を行うことができることを示す。
  論文  参考訳（メタデータ） (2024-03-07T18:53:56Z)
• Error mitigated shadow estimation based on virtual distillation [6.354965487736348]
  シャドウ推定 (Shadow Estimation) は、未知の量子状態の多数の特性を、限られた一連の測定によって推定する手法である。 本稿では,短期量子デバイスにおける仮想蒸留に基づく誤差緩和型シャドウ推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-29T03:31:18Z)
• Biased Estimator Channels for Classical Shadows [0.0]
  我々は、従来の影推定器を再スケールすることで、バイアスを意図的に導入する、バイアス付きスキームを考察する。 我々は、平均ケースと最悪のケースとベストケースのシナリオを分析的に証明し、それが原則として、常に見積りをバイアスする価値があることを厳格に証明します。
  論文  参考訳（メタデータ） (2024-02-14T19:00:01Z)
• Provably Accelerating Ill-Conditioned Low-rank Estimation via Scaled Gradient Descent, Even with Overparameterization [48.65416821017865]
  この章では、スケールドグラデーション(ScaledGD)と呼ばれる新しいアルゴリズムアプローチを紹介します。 低ランク物体の条件数に依存しない定数速度で直線的に収束する。 様々なタスクに対して、勾配降下の低い摂動コストを維持できる。
  論文  参考訳（メタデータ） (2023-10-09T21:16:57Z)
• How to harness high-dimensional temporal entanglement, using limited interferometry setups [62.997667081978825]
  偏極時間領域における高次元エンタングルメントの最初の完全解析法を開発した。 本稿では,量子鍵分布において,関連する密度行列要素とセキュリティパラメータを効率的に認証する方法を示す。 自由空間量子通信の耐雑音性をさらに高める新しい構成を提案する。
  論文  参考訳（メタデータ） (2023-08-08T17:44:43Z)
• Quantum state tomography with tensor train cross approximation [84.59270977313619]
  測定条件が最小限であるような状態に対して、完全な量子状態トモグラフィが実行可能であることを示す。 本手法は,非構造状態と局所測定のための最もよく知られたトモグラフィー法よりも指数関数的に少ない状態コピーを必要とする。
  論文  参考訳（メタデータ） (2022-07-13T17:56:28Z)
• On Classical and Hybrid Shadows of Quantum States [0.0]
  古典的な影は、古典的なコンピュータ上の量子状態を保存するための計算的に効率的なアプローチである。 我々は、古典的な影を使って多体力学をシミュレートする利点と限界について論じる。 システムの一部の計測結果から構築されたハイブリッドシャドウの概念を導入する。
  論文  参考訳（メタデータ） (2022-06-14T06:25:24Z)
• PriorGrad: Improving Conditional Denoising Diffusion Models with Data-Driven Adaptive Prior [103.00403682863427]
  条件拡散モデルの効率を改善するために, PreGrad を提案する。 PriorGradはデータとパラメータの効率を向上し、品質を向上する。
  論文  参考訳（メタデータ） (2021-06-11T14:04:03Z)
• A Bayesian analysis of classical shadows [0.2867517731896504]
  ベイズ平均推定(BME)のレンズによる古典的影の研究 数値データの直接検定では、BMEは平均誤差が著しく低いが、古典的な影は特定の状況において著しく精度が高い。 本稿では,古典的影の次元依存性と状態特異的最適性をうまくエミュレートする観測可能な擬似様相を導入する。
  論文  参考訳（メタデータ） (2020-12-16T14:45:18Z)
• Assessment of weak-coupling approximations on a driven two-level system under dissipation [58.720142291102135]
  我々は, 減散を伴うリウヴィル・ヴォン方程式(Liouville-von equation)と呼ばれる数値的正確かつ非摂動的手法を用いて, 駆動量子ビットについて検討した。 我々は、駆動された量子ビットの定常状態を予測する上で、リンドブラッド方程式の妥当性の規則をマップするために実験で用いられる計量を提案する。
  論文  参考訳（メタデータ） (2020-11-11T22:45:57Z)
• NCVis: Noise Contrastive Approach for Scalable Visualization [79.44177623781043]
  NCVisはノイズコントラスト推定の音響統計的基礎の上に構築された高性能次元減少法である。 NCVisは,他の手法の表現品質を保ちながら,速度の観点から最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-30T15:43:50Z)

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。