論文の概要: A multi-dimensional quantum estimation and model learning framework based on variational Bayesian inference

• arxiv url: http://arxiv.org/abs/2507.23130v1
• Date: Wed, 30 Jul 2025 22:18:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:08.821624
• Title: A multi-dimensional quantum estimation and model learning framework based on variational Bayesian inference
• Title（参考訳）: 変分ベイズ推定に基づく多次元量子推定とモデル学習フレームワーク
• Authors: Federico Belliardo, Erik M. Gauger, Tim H. Taminiau, Yoann Altmann, Cristian Bonato,
• Abstract要約: 本稿では,多数のモデルパラメータに対して高速かつ操作可能な共同モデル選択とパラメータ推定アルゴリズムを提案する。 このアルゴリズムは変分ベイズ推定(VBI)に基づいており、ターゲットの後方分布を近似する。 我々は,各パラメータの異なる競合モデルを選択するために,事前の正規化がいかに使用できるかを示す。
• 参考スコア（独自算出の注目度）: 3.7127285734321203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advancement and scaling of quantum technology has made the learning and identification of quantum systems and devices in highly-multidimensional parameter spaces a pressing task for a variety of applications. In many cases, the integration of real-time feedback control and adaptive choice of measurement settings places strict demands on the speed of this task. Here we present a joint model selection and parameter estimation algorithm that is fast and operable on a large number of model parameters. The algorithm is based on variational Bayesian inference (VBI), which approximates the target posterior distribution by optimizing a tractable family of distributions, making it more scalable than exact inference methods relying on sampling and that generally suffer from high variance and computational cost in high-dimensional spaces. We show how a regularizing prior can be used to select between competing models, each comprising a different number of parameters, identifying the simplest model that explains the experimental data. The regularization can further separate the degrees of freedom, e.g. quantum systems in the environment or processes, which contribute to major features in the observed dynamics, with respect to others featuring small coupling, which only contribute to a background. As an application of the introduced framework, we consider the problem of the identification of multiple individual nuclear spins with a single electron spin quantum sensor, relevant for nanoscale nuclear magnetic resonance. With the number of environmental spins unknown a priori, our Bayesian approach is able to correctly identify the model, i.e. the number of spins and their couplings. We benchmark the algorithm on both simulated and experimental data, using standard figures of merit, and demonstrating that we can estimate dozens of parameters within minutes.
• Abstract（参考訳）: 量子技術の進歩とスケーリングにより、多次元のパラメータ空間における量子システムやデバイスを学習し、識別することは、様々な応用のためのプレスタスクとなった。 多くの場合、リアルタイムフィードバック制御の統合と測定設定の適応的な選択は、このタスクの速度に厳しい要求を与える。 本稿では,多数のモデルパラメータに対して高速かつ操作可能な共同モデル選択とパラメータ推定アルゴリズムを提案する。 このアルゴリズムは可変ベイズ推論(VBI)に基づいており、これは抽出可能な分布の族を最適化することで、サンプリングに依存する正確な推論法よりもスケーラブルになり、高次元空間における高分散と計算コストに悩まされる。 実験データを説明する最も単純なモデルを特定することで,各パラメータの異なる競合モデルを選択する上で,事前の正規化がいかに有効かを示す。 正規化は、環境やプロセスにおける量子系などの自由度をさらに分離し、観測された力学における主要な特徴に寄与する。 導入したフレームワークの応用として、ナノスケール核磁気共鳴に関連する単一電子スピン量子センサによる複数の個々の核スピンの同定の問題を考える。 環境スピンの数に先行性がないため、ベイズ的アプローチはモデル、すなわちスピンの数とその結合を正確に同定することができる。 シミュレーションデータと実験データの両方でアルゴリズムをベンチマークし、標準的な有益値を用いて、数分で数十のパラメータを推定できることを実証した。

関連論文リスト

• Simulation-based inference for Precision Neutrino Physics through Neural Monte Carlo tuning [0.0]
  シミュレーションに基づく推論フレームワークにおいて,ニューラルネットワークを用いた推定手法を提案する。 キャリブレーションデータの可能性をモデル化する2つの相補的ニューラルネットワーク密度推定器を開発した。 私たちのフレームワークは、特定のニーズに対して最適なメソッドを選択する柔軟性を提供します。
  論文  参考訳（メタデータ） (2025-07-31T07:33:05Z)
• Applications of model-aware reinforcement learning in Bayesian quantum metrology [0.6138671548064355]
  Belliardo et al., arXiv:2312.16985 (2023) では、量子力学と推定において幅広いタスクを最適化できる手順を紹介した。 我々は、トレーニングにおいて、システムを記述する物理を明示的に考慮した最適化にモデルベースのアプローチを採用する。 この展示は、PyPIでリリースされたqsensoroptライブラリで実装されている、この方法の幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-03-08T22:48:07Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Provably efficient variational generative modeling of quantum many-body systems via quantum-probabilistic information geometry [3.5097082077065003]
  パラメータ化混合状態に対する量子自然勾配降下の一般化を導入する。 また、堅牢な一階近似アルゴリズム、Quantum-Probabilistic Mirror Descentを提供する。 我々のアプローチは、モデル選択における柔軟性を実現するために、それまでのサンプル効率の手法を拡張しました。
  論文  参考訳（メタデータ） (2022-06-09T17:58:15Z)
• Benchmarking Quantum Simulators using Ergodic Quantum Dynamics [4.2392660892009255]
  実験によって得られた状態と理想状態の間の忠実度を推定するために,サンプル効率のよいプロトコルを解析する。 我々は、様々な量子シミュレータプラットフォームのためのプロトコルを数値的に示す。
  論文  参考訳（メタデータ） (2022-05-24T17:18:18Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Random Sampling Neural Network for Quantum Many-Body Problems [0.0]
  本稿では,対話型多体システムのランダムサンプリング行列要素に対して,自己教師型学習手法を用いてパターン認識手法を用いたランダムサンプリングニューラルネットワーク(Random Smpling Neural Networks, RNN)を提案する。 RSNNの適用性をテストするために、横フィールドを持つIsingモデル、Fermi-Hubbardモデル、Spin-$1/2$$XXZ$モデルなど、正確に解決可能ないくつかの1Dモデルが使用されている。
  論文  参考訳（メタデータ） (2020-11-10T15:52:44Z)

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。