論文の概要: Robust Lindbladian Estimation for Quantum Dynamics

• arxiv url: http://arxiv.org/abs/2507.07912v1
• Date: Thu, 10 Jul 2025 16:45:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.498876
• Title: Robust Lindbladian Estimation for Quantum Dynamics
• Title（参考訳）: 量子力学のロバストリンドブラディアン推定
• Authors: Yinchen Liu, James R. Seddon, Tamara Kohler, Emilio Onorati, Toby S. Cubitt,
• Abstract要約: 量子プロセストモグラフィーの出力にリンドブラディアンモデルを適用するという問題を再考する。 対数探索のアルゴリズム的改良を導入し、現在の量子コンピューティングハードウェアに関連する設定に実際に適用できることを実証する。 また,ゲートセットトモグラフィーの手法でリンドブラディアンフィッティングのタスクを増強し,状態調整や測定誤差に対する堅牢性を向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We revisit the problem of fitting Lindbladian models to the outputs of quantum process tomography. A sequence of prior theoretical works approached the problem by considering whether there exists a Lindbladian generator close to a matrix logarithm of the tomographically estimated transfer matrix. This technique must take into account the non-uniqueness of the matrix logarithm, so that in general multiple branches of the logarithm must be checked. In contrast, all practical demonstrations of Lindbladian fitting on real experimental data have to our knowledge eschewed logarithm search, instead adopting direct numerical optimisation or ad-hoc approaches tailored to a particular experimental realisation. In our work, we introduce algorithmic improvements to logarithm search, demonstrating that it can be applied in practice to settings relevant for current quantum computing hardware. We additionally augment the task of Lindbladian fitting with techniques from gate set tomography to improve robustness against state preparation and measurement (SPAM) errors, which can otherwise obfuscate estimates of the model underlying the process of interest. We benchmark our techniques extensively using simulated tomographic data employing a range of realistic error models, before demonstrating their application to tomographic data collected from real superconducting-qubit hardware.
• Abstract（参考訳）: 量子プロセストモグラフィーの出力にリンドブラディアンモデルを適用するという問題を再考する。 先行する理論的な研究の系列は、トモグラフィーで推定された遷移行列の行列対数に近いリンドブラディアン発生器が存在するかどうかを考慮し、この問題にアプローチした。 この手法は、行列対数の非特異性を考慮する必要があるので、一般に、対数の複数の枝をチェックする必要がある。 これとは対照的に、リンドブラディアンの実際の実験データに適合する実演は、直接数値最適化や、特定の実験的な実現に適したアドホックアプローチを採用する代わりに、我々の知識に基づいて対数探索を行う必要がある。 本研究では,対数探索のアルゴリズム的改良を導入し,現在の量子コンピューティングハードウェアに関連する設定に実際に適用できることを実証する。 また、ゲートセットトモグラフィーによる手法を用いてリンドブラディアン適合のタスクを強化し、状態準備・測定(SPAM)誤差に対するロバスト性を向上させる。 我々は,シミュレーショントモグラフィーデータを用いて,実量子ビットハードウェアから収集したトモグラフィーデータへの適用を実証する前に,様々な現実的誤差モデルを用いて広範囲にベンチマークを行った。

関連論文リスト

• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Improved Accuracy for Trotter Simulations Using Chebyshev Interpolation [0.5729426778193399]
  アルゴリズム手法を用いることで, 時間変化による誤差を軽減できることを示す。 我々のアプローチは、ハードウェアエラーを緩和するゼロノイズ外挿法に似て、ゼロトロッターステップサイズに外挿することである。
  論文  参考訳（メタデータ） (2022-12-29T01:21:26Z)
• Rigorous dynamical mean field theory for stochastic gradient descent methods [17.90683687731009]
  一階勾配法の一家系の正確な高次元に対する閉形式方程式を証明した。 これには勾配降下(SGD)やネステロフ加速度などの広く使われているアルゴリズムが含まれる。
  論文  参考訳（メタデータ） (2022-10-12T21:10:55Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)

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。