論文の概要: Process Tomography for Clifford Unitaries

• arxiv url: http://arxiv.org/abs/2505.08069v1
• Date: Mon, 12 May 2025 21:11:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.334065
• Title: Process Tomography for Clifford Unitaries
• Title（参考訳）: クリフォードユニットのプロセストモグラフィ
• Authors: Timothy Skaras, Paul Ginsparg,
• Abstract要約: 未知の$n$-qubitユニタリ$C$上で量子プロセストモグラフィーを行うアルゴリズムを提案する。 我々のアルゴリズムは$Cdagger$を問わずに同じ性能を達成する。
• 参考スコア（独自算出の注目度）: 0.276240219662896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an algorithm for performing quantum process tomography on an unknown $n$-qubit unitary $C$ from the Clifford group. Our algorithm uses Bell basis measurements to deterministically learn $C$ with $4n + 3$ queries, which is the asymptotically optimal query complexity. In contrast to previous algorithms that required access to $C^\dagger$ to achieve optimal query complexity, our algorithm achieves the same performance without querying $C^\dagger$. Additionally, we show the algorithm is robust to perturbations and can efficiently learn the closest Clifford to an unknown non-Clifford unitary $U$ using query overhead that is logarithmic in the number of qubits.
• Abstract（参考訳）: クリフォード群から未知の$n$-qubitユニタリ$C$で量子プロセストモグラフィーを行うアルゴリズムを提案する。 我々のアルゴリズムはベル基底測定を用いて4n + 3$のクエリでC$を決定論的に学習し、これは漸近的に最適なクエリ複雑性である。 最適なクエリ複雑性を実現するために$C^\dagger$へのアクセスを必要とする従来のアルゴリズムとは対照的に,我々のアルゴリズムは$C^\dagger$を問わずに同じ性能を達成する。 さらに、このアルゴリズムは摂動に頑健であり、キュービット数の対数的なクエリオーバヘッドを用いて、最も近いクリフォードを未知の非クリフォード単位の$U$に効率的に学習できることを示す。

関連論文リスト

• A Scalable Algorithm for Individually Fair K-means Clustering [77.93955971520549]
  Jung et al. と Mahabadi et al が導入した個別フェア (p$, $k$) クラスタリング問題に対するスケーラブルなアルゴリズムを提案する。 クラスタリングは、各$xin P$に対して$delta(x)$ of $x$の範囲内で中心となる場合、個別にフェアと呼ばれる。 我々は,従来よりもアルゴリズムがはるかに高速であるだけでなく,低コストのソリューションを生み出すことを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-09T19:01:48Z)
• A Competitive Algorithm for Agnostic Active Learning [5.4579367210379335]
  アクティブな学習のための最も一般的なアルゴリズムは、不一致係数と呼ばれるパラメータでその性能を表現する。 我々は、任意の二進仮説クラス$H$と分布$D_X$ over$X$に対して最適なアルゴリズムと競合するアルゴリズムを得る。 我々のアルゴリズムの$O(log |H|)$オーバーヘッドよりは、NPハードである。
  論文  参考訳（メタデータ） (2023-10-28T19:01:16Z)
• Low-depth Clifford circuits approximately solve MaxCut [44.99833362998488]
  低深さクリフォード回路に基づくMaxCutの量子インスピレーション近似アルゴリズムを提案する。 我々のアルゴリズムは、深さ$O(N)$ Clifford回路を構築することにより、$N$頂点グラフ上のMaxCutの近似解を求める。
  論文  参考訳（メタデータ） (2023-10-23T15:20:03Z)
• Efficiently Learning One-Hidden-Layer ReLU Networks via Schur Polynomials [50.90125395570797]
  正方形損失に関して、標準的なガウス分布の下での$k$ReLU活性化の線形結合をPAC学習する問題をmathbbRd$で検討する。 本研究の主な成果は,この学習課題に対して,サンプルおよび計算複雑性が$(dk/epsilon)O(k)$で,epsilon>0$が目標精度である。
  論文  参考訳（メタデータ） (2023-07-24T14:37:22Z)
• Online Sub-Sampling for Reinforcement Learning with General Function Approximation [111.01990889581243]
  本稿では,RLアルゴリズムによって収集されたデータポイントの情報取得量を測定する,効率的なオンラインサブサンプリングフレームワークを確立する。 複雑性バウンド関数クラスを持つ値ベースのメソッドの場合、$proptooperatornamepolylog(K)$ timesに対してのみポリシーを更新する必要がある。 少なくとも$Omega(K)$倍のポリシーを更新する既存のアプローチとは対照的に、当社のアプローチはポリシーの解決における最適化コールの数を劇的に削減します。
  論文  参考訳（メタデータ） (2021-06-14T07:36:25Z)

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。