論文の概要: The Smoothed Wigner distribution, using past and future information, is not the Wigner function of the Smoothed Weak-Valued state

• arxiv url: http://arxiv.org/abs/2505.00341v1
• Date: Thu, 01 May 2025 06:38:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.249231
• Title: The Smoothed Wigner distribution, using past and future information, is not the Wigner function of the Smoothed Weak-Valued state
• Title（参考訳）: 過去と将来の情報を用いた平滑なウィグナー分布は、平滑な弱値状態のウィグナー関数ではない
• Authors: Kiarn T. Laverick, Areeya Chantasri, Howard M. Wiseman,
• Abstract要約: いわゆるスムーズな弱値状態(SWV状態)のウィグナー関数に関する誤りを訂正する。 SWV状態は擬状態(エルミート的ではないが必ずしも正ではない)であり、通常のトレース式により、時刻$t$における弱い測定に対する正しい値を与える。 上記の参照の仮定とは対照的に、SWV状態のウィグナー函数は滑らかなウィグナー分布ではない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we correct a mistake we made in [Phys. Rev. Lett. $\textbf{122}$, 190402 (2019)] and [Phys. Rev. A $\textbf{103}$, 012213 (2021)] regarding the Wigner function of the so-called smoothed Weak-Valued state (SWV state). Here smoothing refers to estimation of properties at time $t$ using information obtained in measurements both before and after $t$. The SWV state is a pseudo-state (Hermitian but not necessarily positive) that gives, by the usual trace formula, the correct value for a weak measurement preformed at time $t$, $\textit{i.e.}$, its weak value. The Wigner function is a pseudo-probability-distribution (real but not necessarily positive) over phase-space. A smoothed (in this estimation sense) Wigner distribution at time $t$ can also be defined by applying classical smoothing for probability-distributions to the Wigner functions. The smoothed Wigner distribution (SWD) gives identical means for the canonical phase-space variables as does the SWV state. However, contrary to the assumption in the above references, the Wigner function of the SWV state is not the smoothed Wigner distribution.
• Abstract（参考訳）: 本稿では, 誤りを訂正する. レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・レヴ・ $\textbf{122}$, 190402 (2019)] と [Phys] です。 A $\textbf{103}$, 012213 (2021)] と呼ばれるスムーズな弱値状態(SWV状態)のウィグナー関数について。 ここでの平滑化とは、測定の前後で得られた情報を用いて、時間$t$のプロパティを推定することを指す。 SWV状態は擬状態(エルミート的ではないが必ずしも正ではない)であり、通常のトレース式により、時刻$t$, $\textit{i.e.}$でプリフォームされた弱測度に対する正しい値を与える。 ウィグナー函数は位相空間上の擬確率分布(実数であるが必ずしも正ではない)である。 この推定の意味で)時のウィグナー分布は、ウィグナー函数の確率分布に古典的滑らか化を適用することでも定義できる。 滑らかなウィグナー分布(SWD)は、SWV状態と同じ位相空間変数に対して同じ手段を与える。 しかし、上記の参照の仮定に反して、SWV状態のウィグナー函数は滑らかなウィグナー分布ではない。

関連論文リスト

• Outsourced diffusion sampling: Efficient posterior inference in latent spaces of generative models [65.71506381302815]
  本稿では、$p(mathbfxmidmathbfy) propto p_theta(mathbfx)$ という形式の後続分布からサンプリングするコストを償却する。 多くのモデルと関心の制約に対して、ノイズ空間の後方はデータ空間の後方よりも滑らかであり、そのような償却推論に対してより快適である。
  論文  参考訳（メタデータ） (2025-02-10T19:49:54Z)
• Optimal Fidelity Estimation from Binary Measurements for Discrete and Continuous Variable Systems [6.253919624802852]
  連続変数(CV)システムでは、変位パリティ測定によって測定できるウィグナー関数を利用する。 Fock や Gaussian のような特定の興味のある対象状態に対して、このサンプルの複雑さはウィグナー函数の$L1$-ノルムによって特徴づけられる。 汎用ブラックボックスモデルでは,任意の対象状態に対して,対象状態の滑らかな$L1$-normにより,忠実度推定のための最適なサンプル複雑性が特徴づけられる。
  論文  参考訳（メタデータ） (2024-09-06T11:07:55Z)
• Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit Feedback and Unknown Transition [71.33787410075577]
  線形関数近似,未知遷移,および逆損失を用いた強化学習について検討した。 我々は高い確率で$widetildeO(dsqrtHS3K + sqrtHSAK)$ regretを実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-07T15:03:50Z)
• Interpreting symplectic linear transformations in a two-qubit phase space [0.0]
  ある離散ウィグナー函数に対して、シンプレクティック線型変換に従ってウィグナー函数の値を置換することは、状態に対してあるユニタリ変換を実行することと等価である。 位相空間の点のシンプレクティック線型置換とウィグナー函数のある種の再解釈はユニタリ変換と同値である。
  論文  参考訳（メタデータ） (2024-02-15T13:01:26Z)
• Bayesian quantum phase estimation with fixed photon states [5.287546642230383]
  我々は、上モードと下モードがそれぞれ位相$phi$と$-phi$を拾うmathbbN$に固定光子数$nの2モードボソニック状態を考える。 入力状態の最適Fock係数を計算し、$phi$を推定する平均二乗誤差(MSE)を最小化する。
  論文  参考訳（メタデータ） (2023-08-02T17:26:10Z)
• Stochastic positional embeddings improve masked image modeling [95.03491875332034]
  Masked Image Modeling (MIM)は、ラベルなし画像からの学習を可能にする、有望な自己教師型学習アプローチである。 位置埋め込み(StoP)を用いて位置不確実性をMIMに組み込むことを提案する。 StoPは、ロケーション機能への過度な適合を減らし、ロケーションの不確実性に対して堅牢な学習機能に向けてモデルを導く。
  論文  参考訳（メタデータ） (2023-07-31T17:59:08Z)
• Maximum likelihood smoothing estimation in state-space models: An incomplete-information based approach [0.0]
  状態空間システムの不完全な情報/データから推定する新しい手法を開発した。 逐次モンテカルロ法によるスコア関数と観測情報行列の評価法を開発した。 線形系の場合、Ruch-Tung-Striebel (RTS) のスムース化は、完全に効率的なスムースな状態推定器であることが示される。
  論文  参考訳（メタデータ） (2023-03-29T00:08:26Z)
• On the Interplay Between Misspecification and Sub-optimality Gap in Linear Contextual Bandits [76.2262680277608]
  本研究では,線形関数クラスによって期待される報酬関数を近似できるような,不特定条件下での線形文脈帯域について検討する。 このアルゴリズムは, 対数的因子に比例した設定において, ギャップ依存の残差が$tilde O (d2/Delta)$と同じであることを示す。
  論文  参考訳（メタデータ） (2023-03-16T15:24:29Z)
• Better Training of GFlowNets with Local Credit and Incomplete Trajectories [81.14310509871935]
  エネルギー関数が終端状態だけでなく中間状態にも適用できる場合を考える。 これは例えば、エネルギー関数が加法的であるときに達成され、軌道に沿って項が利用できる。 これにより、不完全なトラジェクトリであってもパラメータの更新に適用可能なトレーニングの目標が可能になる。
  論文  参考訳（メタデータ） (2023-02-03T12:19:42Z)
• Sample-optimal classical shadows for pure states [0.0]
  我々は、結合測定と独立測定の両方の設定において、純粋な状態に対する古典的なシャドウタスクを考察する。 独立測定では、$mathcal O(sqrtBd epsilon-1 + epsilon-2)$ sufficeを示す。
  論文  参考訳（メタデータ） (2022-11-21T19:24:17Z)
• Provably Breaking the Quadratic Error Compounding Barrier in Imitation Learning, Optimally [58.463668865380946]
  状態空間 $mathcalS$ を用いたエピソードマルコフ決定過程 (MDPs) における模擬学習の統計的限界について検討する。 rajaraman et al (2020) におけるmdアルゴリズムを用いた準最適性に対する上限 $o(|mathcals|h3/2/n)$ を定式化する。 Omega(H3/2/N)$ $mathcalS|geq 3$ であるのに対して、未知の遷移条件はよりシャープレートに悩まされる。
  論文  参考訳（メタデータ） (2021-02-25T15:50:19Z)

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。