Fugu-MT 論文翻訳(概要): Improved algorithms for learning quantum Hamiltonians, via flat polynomials

論文の概要: Improved algorithms for learning quantum Hamiltonians, via flat polynomials

arxiv url: http://arxiv.org/abs/2407.04540v1
Date: Fri, 5 Jul 2024 14:25:22 GMT
ステータス: 処理完了
システム内更新日: 2024-07-08 13:10:54.653777
Title: Improved algorithms for learning quantum Hamiltonians, via flat polynomials
Title（参考訳）: 平面多項式による量子ハミルトニアン学習アルゴリズムの改良
Authors: Shyam Narayanan,
Abstract要約: 任意の温度で成功できるギブス状態のコピーを量子ハミルトニアンに学習するための改良されたアルゴリズムを提供する。具体的には,Bakshi,Liu,Moitra,Tang(BLMT24)の作業の複雑さを低減し,サンプルの指数関数的依存性を改善する。
参考スコア（独自算出の注目度）: 7.693388437377614
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We give an improved algorithm for learning a quantum Hamiltonian given copies of its Gibbs state, that can succeed at any temperature. Specifically, we improve over the work of Bakshi, Liu, Moitra, and Tang [BLMT24], by reducing the sample complexity and runtime dependence to singly exponential in the inverse-temperature parameter, as opposed to doubly exponential. Our main technical contribution is a new flat polynomial approximation to the exponential function, with significantly lower degree than the flat polynomial approximation used in [BLMT24].
Abstract（参考訳）: 任意の温度で成功できるギブス状態のコピーを量子ハミルトニアンに学習するための改良されたアルゴリズムを提供する。具体的には,Bakshi,Liu,Moitra,Tang (BLMT24) の作業を改善し,サンプルの複雑性と実行時依存性を2倍の指数関数ではなく,逆温度パラメータで単独で指数関数化する。我々の主な技術的貢献は指数関数に対する新しい平坦多項式近似であり、[BLMT24]で用いられる平坦多項式近似よりもかなり低次である。

関連論文リスト

On the Constant Depth Implementation of Pauli Exponentials [49.48516314472825]
任意の指数を$mathcalO(n)$ ancillae と 2体 XX と ZZ の相互作用を用いて一定深さの回路に分解する。クビットリサイクルの恩恵を受ける回路の書き直し規則を導入し,本手法の正しさを実証する。
論文参考訳（メタデータ） (2024-08-15T17:09:08Z)
Imitation Learning in Discounted Linear MDPs without exploration assumptions [58.81226849657474]
ILARLと呼ばれる無限水平線形MDPにおける模倣学習のための新しいアルゴリズムを提案する。所望の精度$epsilon$から$mathcalO(epsilon-5)$から$mathcalO(epsilon-4)$への依存を改善する。線形関数近似による数値実験により、ILARLは他のよく使われるアルゴリズムよりも優れていることが示された。
論文参考訳（メタデータ） (2024-05-03T15:28:44Z)
Learning quantum Hamiltonians at any temperature in polynomial time with Chebyshev and bit complexity [3.2634122554914]
局所量子ハミルトニアンは、その状態のコピーを既知の逆温度で学習する。我々の主な技術的貢献は、チェビシェフ展開に基づく指数関数の新しい平坦近似である。
論文参考訳（メタデータ） (2024-02-08T10:42:47Z)
Incremental Quasi-Newton Methods with Faster Superlinear Convergence Rates [50.36933471975506]
各成分関数が強く凸であり、リプシッツ連続勾配とヘシアンを持つ有限和最適化問題を考える。最近提案されたインクリメンタル準ニュートン法は、BFGSの更新に基づいて、局所的な超線形収束率を達成する。本稿では、対称ランク1更新をインクリメンタルフレームワークに組み込むことにより、より効率的な準ニュートン法を提案する。
論文参考訳（メタデータ） (2024-02-04T05:54:51Z)
Exponentiation of Parametric Hamiltonians via Unitary interpolation [0.8399688944263842]
線形多重パラメトリックハミルトニアンの行列指数の時間効率近似に関する2つのアイデアを紹介する。我々は,スズキ・トロッターの積公式を近似からコンパイル方式に修正し,精度と計算時間の両方を改善する。
論文参考訳（メタデータ） (2024-02-02T15:29:55Z)
An integral algorithm of exponential observables for interacting fermions in quantum Monte Carlo simulation [7.826326818086168]
指数オブザーバブルは、$log langle ehatXrangle$として定式化され、$hatX$は膨大な量であり、量子多体系の研究において重要な役割を果たす。相互作用するフェルミオン系における観測可能量の定量化のための包括的アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-11-06T19:00:04Z)
Learning quantum Hamiltonians at any temperature in polynomial time [24.4681191608826]
局所量子ハミルトニアン$H$とそのギブス状態$rhobeta H/textrmtr(ebeta H)$のコピーを既知の逆温度で学習する問題を研究する。アルゴリズムは、ギブス状態のわずかに多くのコピーを持つ精度$epsilon$に対して$n$ qubitsでハミルトニアンを学ぶために開発されたが、指数時間を要する。
論文参考訳（メタデータ） (2023-10-03T17:50:26Z)
An Exponential Separation Between Quantum Query Complexity and the Polynomial Degree [79.43134049617873]
本稿では,部分関数に対する完全次数と近似量子クエリの指数関数的分離を実証する。アルファベットのサイズについては、定値対分離の複雑さがある。
論文参考訳（メタデータ） (2023-01-22T22:08:28Z)
Non-perturbative analytical diagonalization of Hamiltonians with application to coupling suppression and enhancement in cQED [0.0]
有効ハミルトニアン模型の導出は量子論において重要な役割を果たす。実効ハミルトニアンモデルを計算するための2つのシンボリックな方法を提案する。超伝導量子ビット系のZZおよびクロス共鳴相互作用について検討する。
論文参考訳（メタデータ） (2021-11-30T19:01:44Z)
On Function Approximation in Reinforcement Learning: Optimism in the Face of Large State Spaces [208.67848059021915]
強化学習のコアにおける探索・探索トレードオフについて検討する。特に、関数クラス $mathcalF$ の複雑さが関数の複雑さを特徴づけていることを証明する。私たちの後悔の限界はエピソードの数とは無関係です。
論文参考訳（メタデータ） (2020-11-09T18:32:22Z)
Computational Barriers to Estimation from Low-Degree Polynomials [81.67886161671379]
本研究では,隠れ構造物の存在を検知する作業において,低次構造物のパワーについて検討する。大規模な「信号+雑音」問題に対して、任意の程度に達成可能な最良の平均二乗誤差に対して、ユーザフレンドリな下界を与える。応用として,植込みサブマトリクスに対する低次平均2乗誤差の厳密な評価と高密度サブグラフ問題について述べる。
論文参考訳（メタデータ） (2020-08-05T17:52:10Z)

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。