論文の概要: Mildly-Interacting Fermionic Unitaries are Efficiently Learnable
- arxiv url: http://arxiv.org/abs/2504.11318v1
- Date: Tue, 15 Apr 2025 15:59:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-23 23:55:37.054245
- Title: Mildly-Interacting Fermionic Unitaries are Efficiently Learnable
- Title（参考訳）: わずかに相互作用するフェルミオン単位は効率的に学習できる
- Authors: Vishnu Iyer,
- Abstract要約: アルゴリズムはガウス近傍のガウス次元のフェルミオン単位系を時間内に少なくとも2n - O(t)$で学習できることを示す。
また、ガウス近傍のフェルミオン性ユニタリに関する構造的な結果も証明する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent work has shown that one can efficiently learn fermionic Gaussian unitaries, also commonly known as nearest-neighbor matchcircuits or non-interacting fermionic unitaries. However, one could ask a similar question about unitaries that are near Gaussian: for example, unitaries prepared with a small number of non-Gaussian circuit elements. These operators find significance in quantum chemistry and many-body physics, yet no algorithm exists to learn them. We give the first such result by devising an algorithm which makes queries to a $n$-mode fermionic unitary $U$ prepared by at most $O(t)$ non-Gaussian gates and returns a circuit approximating $U$ to diamond distance $\varepsilon$ in time $\textrm{poly}(n,2^t,1/\varepsilon)$. This resolves a central open question of Mele and Herasymenko under the strongest distance metric. In fact, our algorithm is much more general: we define a property of unitary Gaussianity known as unitary Gaussian dimension and show that our algorithm can learn $n$-mode unitaries of Gaussian dimension at least $2n - O(t)$ in time $\textrm{poly}(n,2^t,1/\varepsilon)$. Indeed, this class subsumes unitaries prepared by at most $O(t)$ non-Gaussian gates but also includes several unitaries that require up to $2^{O(t)}$ non-Gaussian gates to construct. In addition, we give a $\textrm{poly}(n,1/\varepsilon)$-time algorithm to distinguish whether an $n$-mode unitary is of Gaussian dimension at least $k$ or $\varepsilon$-far from all such unitaries in Frobenius distance, promised that one is the case. Along the way, we prove structural results about near-Gaussian fermionic unitaries that are likely to be of independent interest.
- Abstract（参考訳）: 最近の研究は、フェミオン性ガウスのユニタリを効率よく学習できることを示しており、一般にはNest-neighbor Matchcircuitsまたは非interacting fermionic Unitaryとも呼ばれる。
しかし、ガウス近傍のユニタリについても同様の質問をすることができる: 例えば、少数の非ガウス回路要素で準備されたユニタリ。
これらの作用素は量子化学や多体物理学において重要であるが、学習するアルゴリズムは存在しない。
我々は、少なくとも$O(t)$非ガウスゲートで用意された$n$-mode fermionic Unitary $U$に対するクエリを考案し、ダイヤモンド距離$\varepsilon $\varepsilon$ in time $\textrm{poly}(n,2^t,1/\varepsilon)$の回路近似を返すアルゴリズムを考案した。
これは、最遠距離測度の下でメレとヘラシメンコの中心的な開問題を解決する。
実際、我々のアルゴリズムはより一般的なものである: ユニタリガウス次元として知られるユニタリガウス性の性質を定義し、我々のアルゴリズムがガウス次元の少なくとも 2n - O(t)$ in time $\textrm{poly}(n,2^t,1/\varepsilon)$ を学習できることを示す。
実際、このクラスは、少なくとも$O(t)$非ガウスゲートで用意されたユニタリを仮定するが、構成には最大で$2^{O(t)}$非ガウスゲートを必要とするいくつかのユニタリも含む。
さらに、ガウス次元の$n$モードユニタリが少なくとも$k$か$\varepsilon$-farであるかどうかをフロベニウス距離のそのようなユニタリから区別するために、$\textrm{poly}(n,1/\varepsilon)$-timeアルゴリズムを与える。
その過程で、ガウス近傍のフェルミオン型ユニタリに関する構造的な結果が、独立した関心を持つ可能性が高いことを証明した。
関連論文リスト
- Efficiently learning fermionic unitaries with few non-Gaussian gates [0.0]
パリティ保存型非ガウスゲートを含む$n$モード回路を学習する学習アルゴリズムを提案する。
我々のアプローチは、回路を非自明に作用するMajorana演算子にのみ作用する回路に変換するガウス的ユニタリを学習することに依存している。
論文 参考訳（メタデータ） (2025-04-21T18:02:39Z) - Implicit High-Order Moment Tensor Estimation and Learning Latent Variable Models [39.33814194788341]
我々は,暗黙のモーメントテンソル複雑性を表わす汎用的アルゴリズムを開発した。
暗黙のモーメント推定アルゴリズムを利用して、以下のモデルに対して最初の$mathrmpoly(d, k, 1/epsilon)$-time学習アルゴリズムを得る。
論文 参考訳（メタデータ） (2024-11-23T23:13:24Z) - Efficient Statistics With Unknown Truncation, Polynomial Time Algorithms, Beyond Gaussians [7.04316974339151]
本研究では,サンプルが未知の集合に落下した場合にのみ,分布パラメータの推定を行う。
我々は,PAC学習から,正・負のサンプルによるPAC学習まで,独立したツールを開発する。
論文 参考訳（メタデータ） (2024-10-02T15:21:07Z) - A Unified Framework for Uniform Signal Recovery in Nonlinear Generative
Compressed Sensing [68.80803866919123]
非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。
本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。
また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
論文 参考訳（メタデータ） (2023-09-25T17:54:19Z) - Near-Optimal Bounds for Learning Gaussian Halfspaces with Random
Classification Noise [50.64137465792738]
この問題に対する効率的なSQアルゴリズムは、少なくとも$Omega(d1/2/(maxp, epsilon)2)$. のサンプル複雑性を必要とする。
我々の下限は、この1/epsilon$に対する二次的依存は、効率的なアルゴリズムに固有のものであることを示唆している。
論文 参考訳（メタデータ） (2023-07-13T18:59:28Z) - Learning a Single Neuron with Adversarial Label Noise via Gradient
Descent [50.659479930171585]
モノトン活性化に対する $mathbfxmapstosigma(mathbfwcdotmathbfx)$ の関数について検討する。
学習者の目標は仮説ベクトル $mathbfw$ that $F(mathbbw)=C, epsilon$ を高い確率で出力することである。
論文 参考訳（メタデータ） (2022-06-17T17:55:43Z) - Low-degree learning and the metric entropy of polynomials [44.99833362998488]
少なくとも$Omega(sqrtvarepsilon)2dlog n leq log mathsfM(mathscrF_n,d,|cdot|_L,varepsilon)は2辺の推定値$c(1-varepsilon)2dlogを満たす。
論文 参考訳（メタデータ） (2022-03-17T23:52:08Z) - Small Covers for Near-Zero Sets of Polynomials and Learning Latent
Variable Models [56.98280399449707]
我々は、s$ of cardinality $m = (k/epsilon)o_d(k1/d)$ に対して $epsilon$-cover が存在することを示す。
構造的結果に基づいて,いくつかの基本的高次元確率モデル隠れ変数の学習アルゴリズムを改良した。
論文 参考訳（メタデータ） (2020-12-14T18:14:08Z) - $k$-Forrelation Optimally Separates Quantum and Classical Query
Complexity [3.4984289152418753]
我々は、$N$ビット上の任意の部分関数は、$q$量子クエリを作れば、ランダムな推測よりも$delta$で計算できることを示した。
我々はまた、$k$-Forrelation問題 -- $q = lceil k/2 rceil$量子クエリで計算できる部分関数 -- を予想した。
論文 参考訳（メタデータ） (2020-08-16T21:26:46Z) - Streaming Complexity of SVMs [110.63976030971106]
本稿では,ストリーミングモデルにおけるバイアス正規化SVM問題を解く際の空間複雑性について検討する。
両方の問題に対して、$frac1lambdaepsilon$の次元に対して、$frac1lambdaepsilon$よりも空間的に小さいストリーミングアルゴリズムを得ることができることを示す。
論文 参考訳（メタデータ） (2020-07-07T17:10:00Z) - Model-Free Reinforcement Learning: from Clipped Pseudo-Regret to Sample
Complexity [59.34067736545355]
S$状態、$A$アクション、割引係数$gamma in (0,1)$、近似しきい値$epsilon > 0$の MDP が与えられた場合、$epsilon$-Optimal Policy を学ぶためのモデルなしアルゴリズムを提供する。
十分小さな$epsilon$の場合、サンプルの複雑さで改良されたアルゴリズムを示す。
論文 参考訳（メタデータ） (2020-06-06T13:34:41Z)
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。