論文の概要: Evaluating noises of boson sampling with statistical benchmark methods

• arxiv url: http://arxiv.org/abs/2510.00056v1
• Date: Sun, 28 Sep 2025 10:52:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 21:54:12.779296
• Title: Evaluating noises of boson sampling with statistical benchmark methods
• Title（参考訳）: 統計的ベンチマーク法によるボソンサンプリングのノイズ評価
• Authors: Yang Ji, Yongjin Ye, Qiao Wang, Shi Wang, Jie Hou, Yongzheng Wu, Zijian Wang, Bo Jiang,
• Abstract要約: 量子計算の利点を慎重に示すためには,ノイズレベルを知ることが重要である。 相関器や雲などの統計的ベンチマーク手法を用いて,暗黒数で補正した光子偏微分率と光子損失のノイズを定量化する。 以上の結果から, ボソンサンプリングのノイズ評価には, 統計的ベンチマーク手法が有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 14.827343113391665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The lack of self-correcting codes hiders the development of boson sampling to be large-scale and robust. Therefore, it is important to know the noise levels in order to cautiously demonstrate the quantum computational advantage or realize certain tasks. Based on those statistical benchmark methods such as the correlators and the clouds, which are initially proposed to discriminate boson sampling and other mockups, we quantificationally evaluate noises of photon partial distinguishability and photon loss compensated by dark counts. This is feasible owing to the fact that the output distribution unbalances are suppressed by noises, which are actually results of multi-photon interferences. This is why the evaluation performance is better when high order correlators or corresponding clouds are employed. Our results indicate that the statistical benchmark methods can also work in the task of evaluating noises of boson sampling.
• Abstract（参考訳）: 自己修正符号の欠如は、ボソンサンプリングの開発を隠蔽し、大規模かつ堅牢なものにする。 したがって、量子計算の利点を慎重に示したり、特定のタスクを実現するためには、ノイズレベルを知ることが重要である。 当初はボソンサンプリングなどのモックアップを識別するために提案されていた相関器や雲などの統計的ベンチマーク手法に基づいて,光子偏微分性や光子損失のノイズを暗カウントで定量的に評価する。 これは、出力分布のアンバランスがノイズによって抑制されるという事実から可能であり、これは実際にはマルチ光子干渉の結果である。 そのため、高次相関器や対応する雲を用いる場合、評価性能が向上する。 以上の結果から, ボソンサンプリングのノイズ評価には, 統計的ベンチマーク手法が有効であることが示唆された。

関連論文リスト

• On the Shape of Latent Variables in a Denoising VAE-MoG: A Posterior Sampling-Based Study [51.56484100374058]
  ガウス前駆体 (VAE-MoG) を用いた変分オートエンコーダの潜時空間を探索する。 モデルが基盤構造をどれだけうまく捉えているかを評価するために、ハミルトンモンテカルロ (HMC) を用いて、クリーンな入力で条件付けられた後続サンプルを描画し、ノイズの多いデータからエンコーダの出力と比較する。 モデルは正確に信号を再構成するが、統計的比較により、潜在空間における明らかなミスマッチが明らかになる。
  論文  参考訳（メタデータ） (2025-09-29T18:33:09Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• Extension of a Pattern Recognition Validation Approach for Noisy Boson Sampling [9.4267709534412]
  ボソンサンプリングは、量子計算の優位性を示す主要な量子計算モデルの一つである。 この利点を示すには識別性が高すぎるかどうかを評価するためにベイズ検証が拡張され、ボソンサンプリングのためのパターン認識バリデーションが拡張される。 特性値の分布はほぼ単調に変化し、特に光子が識別不能に近い場合、区別不能となる。
  論文  参考訳（メタデータ） (2024-04-24T02:42:02Z)
• Noise-mitigated randomized measurements and self-calibrating shadow estimation [0.0]
  ランダム化測定の誤差軽減手法を導入し,ロバストなシャドウ推定手法を提案する。 実用面では, 量子実験と同じセッションを用いて, 誤差緩和と影推定を行うことができることを示す。
  論文  参考訳（メタデータ） (2024-03-07T18:53:56Z)
• Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
  GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。 我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。 本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
  論文  参考訳（メタデータ） (2023-01-23T19:57:58Z)
• PoGaIN: Poisson-Gaussian Image Noise Modeling from Paired Samples [9.22047303381213]
  ペア画像を用いたポアソン・ガウス雑音モデルのための新しい累積的アプローチを導出する。 MSE, アウトレーヤの効果, 画像依存性, バイアスに着目し, 異なるベースライン上での性能向上を示す。
  論文  参考訳（メタデータ） (2022-10-10T17:34:49Z)
• Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
  本稿では,単一画像の自己教師型学習手法を提案する。 繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。 提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-06-04T00:08:58Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• Statistical Analysis of Signal-Dependent Noise: Application in Blind Localization of Image Splicing Forgery [20.533239616846874]
  本研究では,信号依存ノイズ(SDN)を局所化タスクのスプライシングに適用する。 最大後方マルコフランダムフィールド(MAP-MRF)フレームワークを構築することで、ノイズの可能性を生かし、スプリケートされた物体の異領域を明らかにする。 実験結果から,本手法は有効であり,比較ローカライゼーション性能が得られた。
  論文  参考訳（メタデータ） (2020-10-30T11:53:53Z)

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。