論文の概要: Nonstabilizerness Enhances Thrifty Shadow Estimation

• arxiv url: http://arxiv.org/abs/2410.23977v1
• Date: Thu, 31 Oct 2024 14:30:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 16:59:38.056618
• Title: Nonstabilizerness Enhances Thrifty Shadow Estimation
• Title（参考訳）: 非安定化剤によるシャドウ推定
• Authors: Datong Chen, Huangjun Zhu,
• Abstract要約: 単位アンサンブルが2つの設計を成すと,スリフティシャドウ推定が平均で有効であることを示す。 本稿では,T$ゲートの1層しか必要とせず,効率を向上させるための簡単な回路を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Shadow estimation is a powerful approach for estimating the expectation values of many observables. Thrifty shadow estimation is a simple variant that is proposed to reduce the experimental overhead by reusing random circuits repeatedly. Although this idea is so simple, its performance is quite elusive. In this work we show that thrifty shadow estimation is effective on average whenever the unitary ensemble forms a 2-design, in sharp contrast with the previous expectation. In thrifty shadow estimation based on the Clifford group, the variance is inversely correlated with the degree of nonstabilizerness of the state and observable, which is a key resource in quantum information processing. For fidelity estimation, it decreases exponentially with the stabilizer 2-R\'{e}nyi entropy of the target state, which endows the stabilizer 2-R\'{e}nyi entropy with a clear operational meaning. In addition,we propose a simple circuit to enhance the efficiency, which requires only one layer of $T$ gates and is particularly appealing in the NISQ era.
• Abstract（参考訳）: 影の推定は多くの観測値の期待値を推定するための強力なアプローチである。 遠心影推定は、ランダム回路を繰り返し再利用することによって実験オーバーヘッドを低減するための単純な変種である。 このアイデアはとても単純ですが、そのパフォーマンスはかなりわかりやすいです。 本研究は, 単位アンサンブルが2次元設計となる場合, 従来の期待値と鋭い対照的に, 軸方向のシャドウ推定が平均で有効であることを示す。 クリフォード群に基づくスリフティシャドウ推定では、分散は状態の非安定化度と逆相関し、量子情報処理における重要な資源である観測可能となる。 フィデリティ推定では、目標状態の安定化器2-R\'{e}nyiエントロピーにより指数関数的に減少し、安定器2-R\'{e}nyiエントロピーは明確な操作意味を持つ。 さらに,NISQ時代には,T$ゲートの1層しか必要とせず,高効率化を実現するための単純な回路を提案する。

関連論文リスト

• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Enabling Uncertainty Estimation in Iterative Neural Networks [49.56171792062104]
  本研究では,アンサンブルのような手法よりもはるかに低い計算コストで最先端の見積もりを提供する不確実性推定手法を開発する。 航空画像における道路検出と2次元および3次元形状の空力特性の推定という2つの応用領域に組み込むことで,その実用的価値を実証する。
  論文  参考訳（メタデータ） (2024-03-25T13:06:31Z)
• Estimator Meets Equilibrium Perspective: A Rectified Straight Through Estimator for Binary Neural Networks Training [35.090598013305275]
  ニューラルネットワークのバイナリ化は、ニューラルネットワーク圧縮において支配的なパラダイムである。 本稿では,推定誤差と勾配安定性のバランスをとるために,ReSTE(Rectified Straight Through Estimator)を提案する。 ReSTEは優れたパフォーマンスを持ち、補助モジュールや損失を伴わずに最先端のメソッドを超える。
  論文  参考訳（メタデータ） (2023-08-13T05:38:47Z)
• Achieving the Asymptotically Optimal Sample Complexity of Offline Reinforcement Learning: A DRO-Based Approach [36.88301225561535]
  オフライン強化学習は、アクティブな探索なしに、事前に収集されたデータセットから学習することを目的としている。 既存のアプローチでは、不確実性に対する悲観的なスタンスを採用し、探索されていない状態-作用対の報酬を、保守的に値関数を推定する。 分散ロバスト最適化(DRO)に基づくアプローチはこれらの課題にも対処でき、漸近的に最小限の最適化であることを示す。
  論文  参考訳（メタデータ） (2023-05-22T17:50:18Z)
• Retire: Robust Expectile Regression in High Dimensions [3.9391041278203978]
  ペナル化量子化法と期待回帰法は、高次元データの異方性検出に有用な手段を提供する。 我々は,頑健な期待回帰(退職)を提案し,研究する。 提案手法は半平滑なニュートン座標降下アルゴリズムにより効率よく解けることを示す。
  論文  参考訳（メタデータ） (2022-12-11T18:03:12Z)
• Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
  ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。 そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
  論文  参考訳（メタデータ） (2021-08-25T21:30:27Z)
• High-probability Bounds for Non-Convex Stochastic Optimization with Heavy Tails [55.561406656549686]
  我々は、勾配推定が末尾を持つ可能性のある一階アルゴリズムを用いたヒルベルト非最適化を考える。 本研究では, 勾配, 運動量, 正規化勾配勾配の収束を高確率臨界点に収束させることと, 円滑な損失に対する最もよく知られた繰り返しを示す。
  論文  参考訳（メタデータ） (2021-06-28T00:17:01Z)
• Coupled Gradient Estimators for Discrete Latent Variables [41.428359609999326]
  非バイアス勾配推定器の高分散のため、離散潜伏変数を持つ訓練モデルは困難である。 重要サンプリングと統計的結合に基づく新しい推定器の導出を提案する。 提案した分類的勾配推定器は,最先端の性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-06-15T11:28:44Z)
• Rao-Blackwellizing the Straight-Through Gumbel-Softmax Gradient Estimator [93.05919133288161]
  一般的なGumbel-Softmax推定器のストレートスルー変量の分散は、ラオ・ブラックウェル化により減少できることを示す。 これは平均二乗誤差を確実に減少させる。 これは分散の低減、収束の高速化、および2つの教師なし潜在変数モデルの性能向上につながることを実証的に実証した。
  論文  参考訳（メタデータ） (2020-10-09T22:54:38Z)
• Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
  二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。 そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。 勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
  論文  参考訳（メタデータ） (2020-06-04T21:51:21Z)

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。