論文の概要: Asymptotically optimal unitary estimation in $\mathrm{SU}(3)$ by the analysis of graph Laplacian

• arxiv url: http://arxiv.org/abs/2509.20608v1
• Date: Wed, 24 Sep 2025 23:02:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.617626
• Title: Asymptotically optimal unitary estimation in $\mathrm{SU}(3)$ by the analysis of graph Laplacian
• Title（参考訳）: グラフラプラシアン解析による$\mathrm{SU}(3)$の漸近最適ユニタリ推定
• Authors: Satoshi Yoshida, Hironobu Yoshida, Mio Murao,
• Abstract要約: ユニタリ推定は、未知のユニタリ演算子$UinmathrmSU(d)$と対応するユニタリ演算に対する$n$クエリを推定するタスクである。 三次元ユニタリ推定の最適忠実度は、グラフラプラシアン解析により、$F_mathrmest(n,d) = 1-frac56pi29n2 + O(n-3)$で与えられる。
• 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: Unitary estimation is the task to estimate an unknown unitary operator $U\in\mathrm{SU}(d)$ with $n$ queries to the corresponding unitary operation, and its accuracy is evaluated by an estimation fidelity. We show that the optimal asymptotic fidelity of $3$-dimensional unitary estimation is given by $F_\mathrm{est}(n,d=3) = 1-\frac{56\pi^2}{9n^2} + O(n^{-3})$ by the analysis of the graph Laplacian based on the finite element method. We also show the lower bound on the fidelity of $d$-dimensional unitary estimation for an arbitrary $d$ given by $F_\mathrm{est}(n,d) \geq 1- \frac{(d+1)(d-1)(3d-2)(3d-1)}{6n^2} + O(n^{-3})$ achieving the best known lower bound and tight scaling with respect to $n$ and $d$. This lower bound is derived based on the unitary estimation protocol shown in [J. Kahn, Phys. Rev. A 75, 022326, 2007].
• Abstract（参考訳）: ユニタリ推定は、未知のユニタリ演算子$U\in\mathrm{SU}(d)$と対応するユニタリ演算に対する$n$クエリを推定するタスクであり、その精度は推定フィリティによって評価される。 有限要素法に基づくグラフラプラシアン解析により, 3 次元ユニタリ推定の漸近的忠実度が$F_\mathrm{est}(n,d=3) = 1-\frac{56\pi^2}{9n^2} + O(n^{-3})$で与えられることを示す。 また、$F_\mathrm{est}(n,d) \geq 1- \frac{(d+1)(d-1)(3d-2)(3d-1)}{6n^2} + O(n^{-3})$ で与えられる任意の$d$に対する$d$次元ユニタリ推定の忠実度に対する下界を示す。 この下界は[J. Kahn, Phys. Rev. A 75, 022326, 2007]に示されているユニタリ推定プロトコルに基づいて導出される。

関連論文リスト

• Estimating the Mixing Coefficients of Geometrically Ergodic Markov Processes [5.00389879175348]
  実数値の幾何学的エルゴード的マルコフ過程の個々の$beta$-mixing係数を1つのサンプルパスから推定する。 予想される誤差率は$mathcal O(log(n) n-1/2)$である。
  論文  参考訳（メタデータ） (2024-02-11T20:17:10Z)
• On the $O(\frac{\sqrt{d}}{T^{1/4}})$ Convergence Rate of RMSProp and Its Momentum Extension Measured by $\ell_1$ Norm [54.28350823319057]
  本稿では、RMSPropとその運動量拡張を考察し、$frac1Tsum_k=1Tの収束速度を確立する。 我々の収束率は、次元$d$を除くすべての係数に関して下界と一致する。 収束率は$frac1Tsum_k=1Tと類似していると考えられる。
  論文  参考訳（メタデータ） (2024-02-01T07:21:32Z)
• Estimation and Inference in Distributional Reinforcement Learning [28.253677740976197]
  サイズ$widetilde Oleft(frac|mathcalS||mathcalA|epsilon2 (1-gamma)4right)$ suffices to ensure the Kolmogorov metric and total variation metric between $hatetapi$ and $etapi$ is below $epsilon$ with high probability。 以上の結果から,多種多様な統計的汎関数の統計的推測への統一的アプローチがもたらされた。
  論文  参考訳（メタデータ） (2023-09-29T14:14:53Z)
• High-dimensional Location Estimation via Norm Concentration for Subgamma Vectors [15.802475232604667]
  位置推定では、既知の分布から$n$のサンプルが与えられます。 漸近的に、最大推定は誤差$mathcal N(0, frac1nmathcal I)$のクラム・ラオ境界を達成する。 我々は、Emphsmoothed estimator を用いて、$mathcal I_r$, the Fisher information of the $r$-smoothed の有限$n$の誤差を束縛する理論を構築した。
  論文  参考訳（メタデータ） (2023-02-05T22:17:04Z)
• Non-Parametric Estimation of Manifolds from Noisy Data [1.0152838128195467]
  ノイズの多いサンプルの有限集合から$mathbbRD$の$d$次元部分多様体を推定する問題を検討する。 点推定では$n-frack2k + d$、接空間の推定では$n-frack-12k + d$の収束率を推定する。
  論文  参考訳（メタデータ） (2021-05-11T02:29:33Z)
• Optimal Mean Estimation without a Variance [103.26777953032537]
  本研究では,データ生成分布の分散が存在しない環境での重み付き平均推定問題について検討する。 最小の信頼区間を$n,d,delta$の関数として得る推定器を設計する。
  論文  参考訳（メタデータ） (2020-11-24T22:39:21Z)
• Accelerating Optimization and Reinforcement Learning with Quasi-Stochastic Approximation [2.294014185517203]
  本稿では、収束理論を準確率近似に拡張することを目的とする。 強化学習のためのグラデーションフリー最適化とポリシー勾配アルゴリズムへの応用について説明する。
  論文  参考訳（メタデータ） (2020-09-30T04:44:45Z)

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。