Fugu-MT 論文翻訳(概要): Learning pure quantum states (almost) without regret

論文の概要: Learning pure quantum states (almost) without regret

arxiv url: http://arxiv.org/abs/2406.18370v2
Date: Thu, 05 Jun 2025 10:09:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-06 21:53:49.155346
Title: Learning pure quantum states (almost) without regret
Title（参考訳）: 後悔せずに純粋な量子状態を学ぶ(ほとんど)
Authors: Josep Lumbreras, Mikhail Terekhov, Marco Tomamichel,
Abstract要約: 本研究は,試料に最小限の歪みを有する試料-最適量子状態トモグラフィーの研究である。サンプルの逐次測定によって量子状態の正確な記述を効率よく学べると同時に、サンプルの計測後の状態が最小限の摂動しか持たないことを確かめることができるか?
参考スコア（独自算出の注目度）: 7.988085110283119
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We initiate the study of sample-optimal quantum state tomography with minimal disturbance to the samples. Can we efficiently learn a precise description of a quantum state through sequential measurements of samples while at the same time making sure that the post-measurement state of the samples is only minimally perturbed? Defining regret as the cumulative disturbance of all samples, the challenge is to find a balance between the most informative sequence of measurements on the one hand and measurements incurring minimal regret on the other. Here we answer this question for qubit states by exhibiting a protocol that for pure states achieves maximal precision while incurring a regret that grows only polylogarithmically with the number of samples, a scaling that we show to be optimal.
Abstract（参考訳）: 本研究は,サンプルに最小限の歪みを有する試料最適量子状態トモグラフィーの研究を開始する。サンプルの逐次測定によって量子状態の正確な記述を効率よく学べると同時に、サンプルの計測後の状態が最小限の摂動しか持たないことを確かめることができるか? すべてのサンプルの累積的乱れとして後悔を定義する上での課題は、最も情報に富んだ測定シーケンスと、もう一方で最小限の後悔をもたらす測定とのバランスを見つけることである。ここでは、純粋な状態に対して最大精度を達成するためのプロトコルを示しながら、サンプル数と多対数的にしか成長しない後悔を生じさせることで、キュービット状態に対するこの問題に答える。

関連論文リスト

Space-Efficient Quantum Error Reduction without log Factors [50.10645865330582]
本稿では,多数決のランダムウォーク解釈に類似したライン上の重み付けウォークとして理解可能な,新たに単純化された浄化器の構成を提案する。我々の浄化器は、前者よりも指数関数的に空間の複雑さが良く、精製されるアルゴリズムの音質-完全性ギャップに四分法的に依存している。
論文参考訳（メタデータ） (2025-02-13T12:04:39Z)
Efficient learning of quantum states prepared with few fermionic non-Gaussian gates [0.0]
ガウスゲートの任意の数で用意された$n$フェルミオンモード上での学習状態の効率的なアルゴリズムを提案する。我々の研究は、ガウス門をほとんど持たない状態の構造に光を当て、回路の複雑さを改良した上界を提供する。
論文参考訳（メタデータ） (2024-02-28T19:18:27Z)
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)
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)
Online estimation and control with optimal pathlength regret [52.28457815067461]
オンライン学習アルゴリズムを設計する際の自然なゴールは、入力シーケンスの時間的変動の観点から、アルゴリズムの後悔を束縛することである。 OCOや盗賊など、さまざまなオンライン学習問題に対して、データ依存の「病的」後悔境界が最近取得されている。
論文参考訳（メタデータ） (2021-10-24T22:43:15Z)
Breaking the Sample Complexity Barrier to Regret-Optimal Model-Free Reinforcement Learning [52.76230802067506]
漸進的強化学習における後悔を最小限に抑えるために,新しいモデルフリーアルゴリズムを提案する。提案アルゴリズムは、2つのQ-ラーニングシーケンスの助けを借りて、初期設定された参照更新ルールを用いる。初期の分散還元法の設計原理は、他のRL設定とは独立した関心を持つかもしれない。
論文参考訳（メタデータ） (2021-10-09T21:13:48Z)
Direct Measure Matching for Crowd Counting [59.66286603624411]
そこで本研究では,予測密度マップを散乱点付基底真理に直接回帰する測度に基づく新しい計数手法を提案する。本稿では, シンクホーンの測位損失を計測するために設計した, 半平衡型のシンクホーン発散を導出する。
論文参考訳（メタデータ） (2021-07-04T06:37:33Z)
Quantum data hiding with continuous variable systems [8.37609145576126]
連続変数量子系のコンテキストにおけるデータ隠蔽について検討する。ローカルな操作と古典的な通信で実装可能な測定セットである$mathcalM=mathrmLOCC$を見ていく。非理想的ブラウンシュタイン・キンブル量子テレポーテーションプロトコルによって導入された誤差の厳密な定量的解析を行う。
論文参考訳（メタデータ） (2021-02-01T19:00:14Z)
Fourier-style Quantum State Tomography and Purity Measurement of a Multi-qubit System from Bloch Rotations [0.0]
量子状態トモグラフィーと状態純度推定にランダム軸測定を適用することを検討する。単パルスX/Y回転のみに依存する単純なプロトコルを提案する。
論文参考訳（メタデータ） (2021-01-14T20:38:39Z)
More Practical and Adaptive Algorithms for Online Quantum State Learning [11.836183463815653]
本稿では,量子状態のオンライン学習を促進するアルゴリズムを開発する。まず,Tallis-2エントロピーを用いた正規化Follow-the-Leader (RFTL) 法により,完全な後方視でO(sqrtMT)$の総損失が得られることを示す。次に,古典的な調整学習率スケジュールに基づくパラメータフリーアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-01T15:17:55Z)
Breaking the Sample Size Barrier in Model-Based Reinforcement Learning with a Generative Model [50.38446482252857]
本稿では、生成モデル(シミュレータ)へのアクセスを想定して、強化学習のサンプル効率について検討する。最初に$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)
Frequentist Regret Bounds for Randomized Least-Squares Value Iteration [94.47472987987805]
有限水平強化学習(RL)における探索・探索ジレンマの検討本稿では,ランダム化最小二乗値 (RLSVI) の楽観的な変種を紹介する。マルコフ決定過程が低ランク遷移ダイナミクスを持つという仮定の下で、RSVIの頻繁な後悔は、$widetilde O(d2 H2 sqrtT)$$ d $ が特徴次元であり、$ H $ が地平線であり、$ T $ が総数であることを示す。
論文参考訳（メタデータ） (2019-11-01T19:48:57Z)

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。