Fugu-MT 論文翻訳(概要): Easy better quantum process tomography

論文の概要: Easy better quantum process tomography

arxiv url: http://arxiv.org/abs/2412.16293v1
Date: Fri, 20 Dec 2024 19:07:48 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-24 15:57:40.430527
Title: Easy better quantum process tomography
Title（参考訳）: 量子プロセストモグラフィーの簡易化
Authors: Robin Blume-Kohout, Timothy Proctor,
Abstract要約: 標準線形反転QPTとオーバーコンプリート線形反転QPTに対する明示的な補正手順を提案する。また、最大推定のような統計的に原理化された推定器に拡張する方法についても述べる。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Quantum process tomography (QPT), used to estimate the linear map that best describes a quantum operation, is usually performed using a priori assumptions about state preparation and measurement (SPAM), which yield a biased and inconsistent estimator. This estimate can be made more accurate and less biased by incorporating SPAM-calibration data. Unobservable properties of the SPAM operations introduce a small gauge freedom that can be regularized using the a priori SPAM. We give an explicit correction procedure for standard linear-inversion QPT and overcomplete linear-inversion QPT, and describe how to extend it to statistically principled estimators like maximum likelihood estimation.
Abstract（参考訳）: 量子プロセストモグラフィ(QPT)は、量子演算を最もよく記述する線形写像を推定するために用いられ、通常、状態準備と測定(SPAM)に関する前提条件を用いて行われる。この推定は、SPAM校正データを組み込むことにより、より正確でバイアスが少なくすることができる。 SPAM演算の観測不能な性質は、先行SPAMを用いて正規化できる小さなゲージ自由を導入する。標準的な線形反転QPTとオーバーコンプリート線形反転QPTの明示的な補正手順を提案し、それを最大推定のような統計的に原理化された推定器に拡張する方法を説明する。

関連論文リスト

Directly Estimating Mixed-State Entanglement with Bell Measurement Assistance [7.314117670864291]
絡み合いは量子物理学と情報処理において基本的な役割を果たす。我々は,数ショットシナリオにおける混合状態絡み合いの非バイアス推定器を開発し,フォトニックシステムにおけるランダムなユニタリ進化を用いて直接推定する。
論文参考訳（メタデータ） (2024-05-31T08:43:38Z)
Multipass Quantum Process Tomography: Precision and Accuracy Enhancement [0.0]
量子プロセストモグラフィ(QPT)の精度と精度を向上させる手法を提案する。単一ゲート上でのみQPTを実行する代わりに、同一ゲートの複数のアプリケーション列上でQPTを実行することを提案する。提案手法を用いて量子プロセッサibmq_manila(Falcon r5.11L)上のPTMとCNOTゲートの忠実度を実験的に決定する。
論文参考訳（メタデータ） (2024-02-06T16:26:18Z)
Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文参考訳（メタデータ） (2023-02-23T12:17:36Z)
Demonstration of machine-learning-enhanced Bayesian quantum state estimation [0.0]
機械学習を用いて自動調整を行うカスタム事前分布の定義手法を実験的に実現した。 MLで定義した事前分布は、ネット収束時間を減少させ、暗黙的および明示的な情報を事前分布に直接組み込む自然な方法を提供する。
論文参考訳（メタデータ） (2022-12-15T18:41:15Z)
Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文参考訳（メタデータ） (2022-09-27T07:58:25Z)
Direct parameter estimations from machine-learning enhanced quantum state tomography [3.459382629188014]
機械学習による量子状態トモグラフィ(QST)は、量子状態に関する完全な情報を抽出する際の利点を実証している。我々は,目標パラメータを直接生成することにより,高性能で軽量で容易に教師付き特性モデルを構築する。このような特性モデルに基づく ML-QST は、ヒルベルト空間を扱う問題を回避することができるが、高い精度で特徴抽出を維持することができる。
論文参考訳（メタデータ） (2022-03-30T15:16:02Z)
The Accuracy vs. Sampling Overhead Trade-off in Quantum Error Mitigation Using Monte Carlo-Based Channel Inversion [84.66087478797475]
量子誤差緩和(Quantum error mitigation, QEM)は、変分量子アルゴリズムの計算誤差を低減するための有望な手法の1つである。我々はモンテカルロサンプリングに基づく実用的なチャネル反転戦略を考察し、さらなる計算誤差を導入する。計算誤差が誤差のない結果の動的範囲と比較して小さい場合、ゲート数の平方根でスケールすることを示す。
論文参考訳（メタデータ） (2022-01-20T00:05:01Z)
Quantum scale estimation [0.0]
量子スケール推定は、量子力学の法則によって許容されるスケールパラメータを推定するための最も正確な枠組みを確立する。この新しい枠組みは、スケール不変なグローバル温度測定を一般化し、原子状態の寿命を推定するために利用される。より概念的な点として、量子オブザーバブルのより体系的な探索のためのテンプレートとして機能するアプローチであるスケールパラメーターのためのオブザーバブルを構築するために最適な戦略が採用されている。
論文参考訳（メタデータ） (2021-11-23T15:03:19Z)
Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文参考訳（メタデータ） (2021-10-24T10:23:51Z)
Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文参考訳（メタデータ） (2021-04-11T09:50:24Z)
Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文参考訳（メタデータ） (2020-11-05T08:04:34Z)

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。