論文の概要: Gauging practical computational advantage using a classical, threshold-based Gaussian boson sampler

• arxiv url: http://arxiv.org/abs/2507.17567v1
• Date: Wed, 23 Jul 2025 14:58:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:15.048163
• Title: Gauging practical computational advantage using a classical, threshold-based Gaussian boson sampler
• Title（参考訳）: 古典的しきい値に基づくガウスボソンサンプリングを用いた実用的な計算上の優位性の評価
• Authors: Sarvesh Raghuraman, Aditya Patwardhan, Brian La Cour,
• Abstract要約: 量子光の古典的な記述と単光子検出器の決定論的モデルに基づいて,効率よくスケーラブルなガウスボソンサンプリングを行う。 NP-Compeグラフ理論問題を等価なガウスボソンサンプリング問題にマッピングし,本手法の有効性を数値的に検討する。
• 参考スコア（独自算出の注目度）: 0.10923877073891444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We describe an efficient, scalable Gaussian boson sampler based on a classical description of squeezed quantum light and a deterministic model of single-photon detectors that click when the incident amplitude falls above a given threshold. Using this model, we map several NP-Complete graph theoretic problems to equivalent Gaussian boson sampling problems and numerically explore the practical efficacy of our approach. Specifically, for a given weighted, undirected graph we examined finding the densest k-subgraph and the maximum weighted clique. We also examined the graph classification problem. Compared to traditional classical solvers, we found that our method provides better solutions in a comparable amount of samples for graphs with up to 2000 nodes.
• Abstract（参考訳）: 量子光の古典的な記述と、入射振幅が所定の閾値を超えるとクリックする単光子検出器の決定論的モデルに基づいて、効率よくスケーラブルなガウスボソンサンプリング器を記述する。 このモデルを用いて,いくつかのNP-Completeグラフ理論問題を等価なガウスボソンサンプリング問題にマッピングし,本手法の有効性を数値的に検討する。 具体的には、与えられた重み付き無向グラフに対して、最も密度の高いk-部分グラフと最大重み付き傾きを求める。 また,グラフ分類問題についても検討した。 従来の古典解法と比較して, 最大2000ノードのグラフに対して, 同等量のサンプルに対して, より優れた解が提供されることがわかった。

関連論文リスト

• Efficient Classical Algorithms for Simulating Gaussian Boson Sampling on Graphs [23.446540440518444]
  我々は,無向非重み付きグラフ上でGBSをシミュレートするマルコフ連鎖モンテカルロアルゴリズムを提案する。 我々の主な貢献はグラウバー力学の二重ループ変種であり、その定常分布はGBS分布と一致する。 数値計算では,従来の GBS 実験や古典シミュレーションのスケールよりも 256 のグラフ上で実験を行う。
  論文  参考訳（メタデータ） (2025-05-05T08:13:57Z)
• An Analysis of Quantum Annealing Algorithms for Solving the Maximum Clique Problem [49.1574468325115]
  我々は、QUBO問題として表されるグラフ上の最大傾きを見つける量子D波アンナーの能力を解析する。 本稿では, 相補的な最大独立集合問題に対する分解アルゴリズムと, ノード数, 傾き数, 密度, 接続率, 解サイズの他のノード数に対する比を制御するグラフ生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T04:40:05Z)
• Gaussian Boson Sampling to Accelerate NP-Complete Vertex-Minor Graph Classification [0.9935277311162707]
  2つのグラフが互いに小さいかどうかを決定するNP完全問題に対するハイブリッド量子古典アルゴリズムを提案する。 ワンショット分類精度と入力スクイーズ量とのトレーディングが可能なグラフ埋め込みを見つける。 本稿では,グラフスペクトルに基づく新しい古典的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-05T21:24:11Z)
• Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
  不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。 特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
  論文  参考訳（メタデータ） (2023-02-13T19:57:17Z)
• Quantum-inspired classical algorithm for graph problems by Gaussian boson sampling [2.5496329090462626]
  グラフ理論問題に応用可能な量子インスピレーション付き古典アルゴリズムを提案する。 ガウスボソンサンプリング器で符号化されるグラフの隣接行列は非負であり、量子干渉を必要としない。
  論文  参考訳（メタデータ） (2023-02-01T16:02:31Z)
• Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
  グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。 ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。 我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
  論文  参考訳（メタデータ） (2022-10-15T08:01:08Z)
• Experimentally finding dense subgraphs using a time-bin encoded Gaussian boson sampling device [0.0]
  我々は、時間ビン符号化干渉計を用いて、GBSを実験的に実装し、サンプルを抽出し、グラフ内の高密度部分グラフの探索を強化する。 その結果,10個のノードを含むグラフにおいて,3と4のサブグラフの古典的手法よりも改善が見られた。 我々は、光回路における不完全性の役割と、アルゴリズムの性能について数値的に検討する。
  論文  参考訳（メタデータ） (2022-04-11T16:56:30Z)
• Unsupervised Event Classification with Graphs on Classical and Photonic Quantum Computers [0.0]
  フォトニック量子コンピュータは、量子コンピューティングの離散量子ビットベースのパラダイムよりもいくつかの利点を提供している。 新物理の探索に使用する異常検出モデルを構築した。 ガウスボソンサンプリングとQ平均と呼ばれるK平均への量子拡張を組み合わせた新しい異常検出法を提案する。
  論文  参考訳（メタデータ） (2021-03-05T19:02:31Z)
• Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
  我々は高密度サブグラフ発見のための新しい学習問題を導入する。 まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。 そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-06-24T11:37:33Z)
• Bandit Samplers for Training Graph Neural Networks [63.17765191700203]
  グラフ畳み込みネットワーク(GCN)の訓練を高速化するために, ばらつきを低減したサンプリングアルゴリズムが提案されている。 これらのサンプリングアルゴリズムは、グラフ注意ネットワーク(GAT)のような固定重みよりも学習重量を含む、より一般的なグラフニューラルネットワーク(GNN)には適用できない。
  論文  参考訳（メタデータ） (2020-06-10T12:48:37Z)
• Generative Modeling with Denoising Auto-Encoders and Langevin Sampling [88.83704353627554]
  DAEとDSMの両方がスムーズな人口密度のスコアを推定することを示した。 次に、この結果をarXiv:1907.05600のホモトピー法に適用し、その経験的成功を理論的に正当化する。
  論文  参考訳（メタデータ） (2020-01-31T23:50:03Z)

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。