Fugu-MT 論文翻訳(概要): A Faster Quantum Fourier Transform

論文の概要: A Faster Quantum Fourier Transform

arxiv url: http://arxiv.org/abs/2501.12414v1
Date: Sun, 19 Jan 2025 06:18:52 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-23 13:29:20.782986
Title: A Faster Quantum Fourier Transform
Title（参考訳）: 高速な量子フーリエ変換
Authors: Ronit Shah,
Abstract要約: 本稿では,量子フーリエ変換(QFT)を高精度かつ近似的に実装するアルゴリズムについて述べる。量子ビットの2つの分割に再帰するQFTの新たな定式化を活用することで、これらのコストを削減することができることを示す。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We present an asymptotically improved algorithm for implementing the Quantum Fourier Transform (QFT) in both the exact and approximate settings. Historically, the approximate QFT has been implemented in $\Theta(n \log n)$ gates, and the exact in $\Theta(n^2)$ gates. In this work, we show that these costs can be reduced by leveraging a novel formulation of the QFT that recurses on two partitions of the qubits. Specifically, our approach yields an $\Theta(n(\log \log n)^2)$ algorithm for the approximate QFT using $\Theta(\log n)$ ancillas, and an $\Theta(n(\log n)^2)$ algorithm for the exact QFT requiring $\Theta(n)$ ancillas.
Abstract（参考訳）: 本稿では、量子フーリエ変換(QFT)を正確な設定と近似設定の両方で実装するための漸近的に改良されたアルゴリズムを提案する。歴史的に、近似QFTは$\Theta(n \log n)$ gatesで実装され、正確には$\Theta(n^2)$ gatesで実装されている。本研究では、量子ビットの2つの分割に再帰するQFTの新たな定式化を活用することにより、これらのコストを削減することができることを示す。具体的には、近似 QFT に対して $\Theta(n(\log \log n)^2)$アルゴリズムを $\Theta(\log n)$ ancillas と $\Theta(n(\log n)^2)$アルゴリズムを、正確な QFT に対して $\Theta(n)$ ancillas を求める。

関連論文リスト

A shortcut to an optimal quantum linear system solver [55.2480439325792]
複雑で解析困難な手法を用いない、概念的にシンプルな量子線形システム解法(QLSS)を提案する。ソリューションノルム$lVertboldsymbolxrVert$が正確に知られているなら、私たちのQLSSはカーネルの1つのアプリケーションだけを必要とします。あるいは、断熱経路追従法から概念を再導入することにより、標準推定に$O(kappa)$複雑さを実現できることを示す。
論文参考訳（メタデータ） (2024-06-17T20:54:11Z)
Multidimensional Quantum Fourier Transformation [0.0]
本研究では, 既知のQFT回路を用いて多次元QFTの効率的な回路を導出する。現在のハードウェアの例は、IBM量子コンピュータを備えた6量子ビットの2D-QFTで描かれている。
論文参考訳（メタデータ） (2023-01-31T18:25:40Z)
Efficiently Computing Sparse Fourier Transforms of $q$-ary Functions [12.522202946750157]
長さ$n$シーケンスの$q$-ary関数に特化してスパースフーリエ変換アルゴリズムを開発する。固定$q$の場合、$q$-SFTのロバストバージョンはサンプル複雑性が$O(Sn2)$であり、計算複雑性が$O(Sn3)$と同じ保証を持つことを示す。
論文参考訳（メタデータ） (2023-01-15T22:04:53Z)
Near-Optimal Regret Bounds for Multi-batch Reinforcement Learning [54.806166861456035]
本研究では,有限水平マルコフ決定過程(MDP)によってモデル化されたエピソディック強化学習(RL)問題をバッチ数に制約を加えて検討する。我々は,$tildeO(sqrtSAH3Kln (1/delta))$tildeO(cdot)をほぼ最適に後悔するアルゴリズムを設計し,$(S,A,H,K)$の対数項を$K$で隠蔽する。技術的貢献は2つある: 1) 探索のためのほぼ最適設計スキーム
論文参考訳（メタデータ） (2022-10-15T09:22:22Z)
Modified Iterative Quantum Amplitude Estimation is Asymptotically Optimal [0.37798600249187286]
量子振幅推定(QAE)のための最初のQFTフリーアルゴリズムを提供する。 QAEアルゴリズムは量子コンピュータの多くの応用においてサブルーチンとして現れる。
論文参考訳（メタデータ） (2022-08-31T03:20:10Z)
Quantum Resources Required to Block-Encode a Matrix of Classical Data [56.508135743727934]
回路レベルの実装とリソース推定を行い、古典データの高密度な$Ntimes N$行列をブロックエンコードして$epsilon$を精度良くすることができる。異なるアプローチ間のリソーストレードオフを調査し、量子ランダムアクセスメモリ(QRAM)の2つの異なるモデルの実装を検討する。我々の結果は、単純なクエリの複雑さを超えて、大量の古典的データが量子アルゴリズムにアクセスできると仮定された場合のリソースコストの明確な図を提供する。
論文参考訳（メタデータ） (2022-06-07T18:00:01Z)
T-count optimization of approximate quantum Fourier transform [0.0]
Toffoliゲートと量子加算器を用いた誤りO(varepsilon)に近似した新しいn-qubit QFT回路を提案する。
論文参考訳（メタデータ） (2022-03-15T09:13:51Z)
Gaussian Process Bandit Optimization with Few Batches [49.896920704012395]
有限腕バンディットアルゴリズムにインスパイアされたバッチアルゴリズムを導入する。 O(log T)$ batches in time horizon $T$.sqrtTgamma_T)$ using $O(log T)$ batches in time horizon。さらに,アルゴリズムの修正版を提案し,バッチ数によって後悔がどう影響するかを特徴付ける。
論文参考訳（メタデータ） (2021-10-15T00:54:04Z)
Thresholded Lasso Bandit [70.17389393497125]
Thresholded Lasso banditは、報酬関数を定義するベクトルとスパースサポートを推定するアルゴリズムである。一般には $mathcalO( log d + sqrtT )$ や $mathcalO( log d + sqrtT )$ としてスケールする非漸近的後悔の上界を確立する。
論文参考訳（メタデータ） (2020-10-22T19:14:37Z)
Quantum Legendre-Fenchel Transform [6.643082745560234]
離散ルジャンドル・フェンシェル変換を計算する量子アルゴリズムを提案する。量子アルゴリズムは多対数因子に最適であることを示す。
論文参考訳（メタデータ） (2020-06-08T18:00:05Z)
Agnostic Q-learning with Function Approximation in Deterministic Systems: Tight Bounds on Approximation Error and Sample Complexity [94.37110094442136]
本稿では,決定論的システムにおける関数近似を用いたQ$学習の問題について検討する。もし$delta = Oleft(rho/sqrtdim_Eright)$なら、$Oleft(dim_Eright)$を使って最適なポリシーを見つけることができる。
論文参考訳（メタデータ） (2020-02-17T18:41:49Z)

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。