論文の概要: Ultimate Kinetic Uncertainty Relation and Optimal Performance of Stochastic Clocks

• arxiv url: http://arxiv.org/abs/2407.09839v1
• Date: Sat, 13 Jul 2024 10:26:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 20:37:36.851240
• Title: Ultimate Kinetic Uncertainty Relation and Optimal Performance of Stochastic Clocks
• Title（参考訳）: 確率クロックの究極的不確かさ関係と最適性能
• Authors: Katarzyna Macieszczak,
• Abstract要約: クロックの1回通過時間の不確かさと最適長時間動作の正確な限界を確立する。 結果は量子リセットプロセスを含む半マルコフ過程に一般化される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For Markov processes over discrete configurations, an asymptotic bound on the uncertainty of stochastic fluxes is derived in terms of the harmonic mean of decay rates with respect to the stationary distribution. This bound is necessarily tighter than the bound in terms of the arithmetic mean, i.e., the activity, known as the kinetic uncertainty relation. What is more, it can always be saturated. In turn, an exact limit for the uncertainty of first-passage times as well as the optimal long-time performance of stochastic clocks are established. The results generalise to semi-Markov processes, including quantum reset processes, where it can be determined when clock performance improves thanks to coherent driving.
• Abstract（参考訳）: 離散的な構成上のマルコフ過程に対して、確率的フラックスの不確実性に関する漸近境界は、定常分布に関する崩壊率の調和平均によって導かれる。 この境界は、算術平均(つまり、運動論的不確実性関係として知られる)の観点から、必ずしも境界よりも厳密である。 また、常に飽和していることもある。 代わりに、最初の通過時間の不確実性に対する正確な制限と、確率時計の最適長時間性能が確立される。 結果は量子リセットプロセスを含むセミマルコフプロセスに一般化され、コヒーレント駆動によりクロック性能が向上した時に決定できる。

関連論文リスト

• Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
  非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。 鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
  論文  参考訳（メタデータ） (2023-05-24T20:43:47Z)
• PAPAL: A Provable PArticle-based Primal-Dual ALgorithm for Mixed Nash Equilibrium [58.26573117273626]
  2プレイヤゼロサム連続ゲームにおける非AL平衡非漸近目的関数について考察する。 連続分布戦略のための粒子ベースアルゴリズムに関する新しい知見を述べる。
  論文  参考訳（メタデータ） (2023-03-02T05:08:15Z)
• Last-iterate convergence analysis of stochastic momentum methods for neural networks [3.57214198937538]
  運動量法は、ニューラルネットワークの大規模最適化問題を解決するために用いられる。 人工環境下での運動量測定法の電流収束結果 運動量係数は、既存の時間よりも定数に固定することができる。
  論文  参考訳（メタデータ） (2022-05-30T02:17:44Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• A Continuized View on Nesterov Acceleration for Stochastic Gradient Descent and Randomized Gossip [23.519404358187156]
  連続時間パラメータで変数をインデックス化したNesterov加速度の近変種である連続Nesterov加速度を導入する。 離散化はネステロフ加速度と同じ構造であるが、ランダムパラメータを持つことを示す。 非同期ゴシップアルゴリズムの最初の厳密な高速化を提供する。
  論文  参考訳（メタデータ） (2021-06-10T08:35:55Z)
• The Connection between Discrete- and Continuous-Time Descriptions of Gaussian Continuous Processes [60.35125735474386]
  我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。 この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
  論文  参考訳（メタデータ） (2021-01-16T17:11:02Z)
• Randomized benchmarking in the presence of time-correlated dephasing noise [0.0]
  典型的なランダム化されたベンチマーク手法は、ゲートのベンチマークシーケンスの長さが増加するにつれて、フィデリティの指数的崩壊を識別する。 しかし、忠実度は指数関数的に減衰するが、ゲート内の時間非依存または静的ノイズの仮定に依存する。 正確な偏差のメカニズムはまだ完全には解明されていない。
  論文  参考訳（メタデータ） (2020-10-22T07:33:41Z)
• Uncertainty quantification for nonconvex tensor completion: Confidence intervals, heteroscedasticity and optimality [92.35257908210316]
  本研究では,不完全かつ破損した観測によって与えられる低ランクテンソルを推定する問題について検討する。 改善不可能なレートをell-2$の精度で達成できることが分かりました。
  論文  参考訳（メタデータ） (2020-06-15T17:47:13Z)
• Stochastic Approximation with Markov Noise: Analysis and applications in reinforcement learning [0.0]
  マルコフ雑音によって駆動される2つの時間スケール近似の収束解析を初めて提示する。 両方の時間スケールにおける差分包摂を限定することで、フレームワークの挙動を分析する。 ポリシ評価アルゴリズムの関数近似における最初の情報的誤差境界を求める。
  論文  参考訳（メタデータ） (2020-04-08T03:59:21Z)
• Optimization with Momentum: Dynamical, Control-Theoretic, and Symplectic Perspectives [97.16266088683061]
  この論文は、運動量に基づく最適化アルゴリズムにおいてシンプレクティックな離散化スキームが重要であることを厳格に証明している。 これは加速収束を示すアルゴリズムの特性を提供する。
  論文  参考訳（メタデータ） (2020-02-28T00:32:47Z)

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。