論文の概要: Semidefinite relaxations for high-dimensional entanglement in the steering scenario
- arxiv url: http://arxiv.org/abs/2410.02554v1
- Date: Thu, 3 Oct 2024 15:00:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-04 02:31:52.768560
- Title: Semidefinite relaxations for high-dimensional entanglement in the steering scenario
- Title（参考訳）: 操舵シナリオにおける高次元絡み合いに対する半定緩和
- Authors: Nicola D'Alessandro, Carles Roch i Carceller, Armin Tavakoli,
- Abstract要約: 本稿では,シュミット番号の認証により,ソースの絡み目次元を検出する一般的な方法を提案する。
第二に、任意の次元において任意の最大絡み合った状態にソースの忠実度を束縛する方法を提供する。
- 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: We introduce semidefinite programming hierarchies for benchmarking high-dimensional entanglement in the one-sided device-independent experiments corresponding to the steering scenario. Firstly, we provide a general method for detecting the entanglement dimensionality of the source through certification of its Schmidt number. Its key feature is that the computational cost is independent of the Schmidt number under consideration. Secondly, we provide a method to bound the fidelity of the source with any maximally entangled state in any given dimension. This enables experimentally natural entanglement quantification in the steering scenario. Using only basic computational means, we demonstrate the usefulness of these methods in several case studies.
- Abstract（参考訳）: ステアリングシナリオに対応する一方のデバイス非依存実験において,高次元の絡み合いをベンチマークするための半定型プログラミング階層を導入する。
まず,Schmidt番号の認証によりソースの絡み目次元を検出する一般的な方法を提案する。
その主な特徴は、計算コストが検討中のシュミット数とは独立であることである。
第二に、任意の次元において任意の最大絡み合った状態にソースの忠実度を束縛する方法を提供する。
これにより、ステアリングシナリオにおける実験的に自然な絡み合いの定量化が可能になる。
基本的な計算手段のみを用いて,これらの手法の有用性をいくつかのケーススタディで実証する。
関連論文リスト
- Detecting high-dimensional entanglement by local randomized projections [1.8749305679160366]
本稿では,一階のモーメントを持つ局所的ランダム化射影に基づいて,シュミットの高次元状態の2部数の推定基準を導入する。
提案手法は,シュミット数より正確な推定値を得るだけでなく,既知の手法と比較して投射数を削減する。
論文 参考訳（メタデータ） (2025-01-02T06:20:05Z) - Safe and High-Performance Learning of Model Predicitve Control using Kernel-Based Interpolation [44.99833362998488]
本稿では,カーネルを用いたモデル予測制御の効率的かつ安全な近似を可能にする手法を提案する。
近似関数の計算複雑性はデータ点数と線形にスケールするため,最も有望なデータを選択するスコアリング関数を提案する。
設計した近似制御器の安全性と性能を保証するため,モンテカルロ法に基づく到達可能性解析を用いる。
論文 参考訳（メタデータ） (2024-10-09T11:04:15Z) - Uncertainty Quantification with Bayesian Higher Order ReLU KANs [0.0]
本稿では,コルモゴロフ・アルノルドネットワークの領域における不確実性定量化手法について紹介する。
簡単な一次元関数を含む一連の閉包試験により,本手法の有効性を検証した。
本稿では,ある項を包含することで導入された機能的依存関係を正しく識別する手法の能力を実証する。
論文 参考訳（メタデータ） (2024-10-02T15:57:18Z) - Nystr\"om Kernel Mean Embeddings [92.10208929236826]
Nystr"om法に基づく効率的な近似手法を提案する。
サブサンプルサイズの条件は標準の$n-1/2$レートを得るのに十分である。
本稿では,この結果の最大誤差と二次規則の近似への応用について論じる。
論文 参考訳（メタデータ） (2022-01-31T08:26:06Z) - Quantum Optimal Control for Pure-State Preparation Using One Initial
State [0.0]
本稿では,数値最適制御を用いた純状態準備問題の解法について述べる。
読み出しキャビティに複数のキュービットが分散結合されている場合を考える。
論文 参考訳（メタデータ） (2021-06-16T21:49:48Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - Bayesian Quadrature on Riemannian Data Manifolds [79.71142807798284]
データに固有の非線形幾何学構造をモデル化する原則的な方法が提供される。
しかし、これらの演算は通常計算的に要求される。
特に、正規法則上の積分を数値計算するためにベイズ二次(bq)に焦点を当てる。
先行知識と活発な探索手法を両立させることで,BQは必要な評価回数を大幅に削減できることを示す。
論文 参考訳（メタデータ） (2021-02-12T17:38:04Z) - Continuous Wasserstein-2 Barycenter Estimation without Minimax
Optimization [94.18714844247766]
ワッサーシュタイン・バリセンターは、最適輸送に基づく確率測度の重み付き平均の幾何学的概念を提供する。
本稿では,Wasserstein-2 バリセンタのサンプルアクセスを演算するスケーラブルなアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-02T21:01:13Z) - On the minmax regret for statistical manifolds: the role of curvature [68.8204255655161]
2つの部分のコードと最小記述長は、最高のモデルを選別するための手順を提供するのに成功している。
我々は、フィッシャー情報計量のスカラー曲率が支配的な役割を果たす複雑さによって与えられる標準表現よりも、よりシャープな表現を導出する。
論文 参考訳（メタデータ） (2020-07-06T17:28:19Z) - $\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a
Robust Divergence Estimator [95.71091446753414]
最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。
本手法は既存の不一致対策よりも高いロバスト性を実現する。
論文 参考訳（メタデータ） (2020-06-13T06:09:27Z) - A machine learning approach to Bayesian parameter estimation [0.0]
パラメータ推定を分類タスクとして定式化し,ニューラルネットワークを用いてベイズ推定を効率的に行う。
本稿では,ネットワークの後方分布が,逆フィッシャー情報によって与えられる不確実性の中でパラメータの真(未知)値に集中していることを示す。
論文 参考訳（メタデータ） (2020-06-03T16:33:21Z)
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。