論文の概要: Optimally learning functions in interacting quantum sensor networks

• arxiv url: http://arxiv.org/abs/2510.06360v1
• Date: Tue, 07 Oct 2025 18:25:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.142597
• Title: Optimally learning functions in interacting quantum sensor networks
• Title（参考訳）: 相互作用量子センサネットワークにおける最適学習機能
• Authors: Erfan Abbasgholinejad, Sean R. Muleady, Jacob Bringewatt, Anthony J. Brady, Yu-Xin Wang, Ali Fahimniya, Alexey V. Gorshkov,
• Abstract要約: 任意の未知の相互作用を持つハミルトニアンの局所パラメータの線形結合を推定するための最適境界を確立する。 この結果は、相互作用しない量子ビットとマルチモード干渉計の既存の境界を統一し拡張する。
• 参考スコア（独自算出の注目度）: 3.0446222918423627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating extensive combinations of local parameters in distributed quantum systems is a central problem in quantum sensing, with applications ranging from magnetometry to timekeeping. While optimal strategies are known for sensing non-interacting Hamiltonians in quantum sensor networks, fundamental limits in the presence of uncontrolled interactions remain unclear. Here, we establish optimal bounds and protocols for estimating a linear combination of local parameters of Hamiltonians with arbitrary, unknown interactions. In the process, we more generally establish bounds for learning any linear combination of Hamiltonian coefficients for arbitrary, commuting terms. Our results unify and extend existing bounds for non-interacting qubits and multimode interferometers, providing a general framework for distributed sensing and Hamiltonian learning in realistic many-body systems.
• Abstract（参考訳）: 分散量子系における局所パラメータの広範な組み合わせを推定することは、磁気学から時間管理まで、量子センシングにおける中心的な問題である。 量子センサーネットワークにおいて相互作用しないハミルトン派を検知するための最適な戦略が知られているが、制御されていない相互作用の存在における基本的な限界はいまだ不明である。 ここでは、ハミルトニアンの局所パラメータと任意の未知の相互作用との線形結合を推定するための最適境界とプロトコルを確立する。 この過程において、より一般的に、任意の可換項に対するハミルトン係数の線型結合を学習するための境界を確立する。 本研究では,非相互作用量子ビットとマルチモード干渉計の既存の境界を統一・拡張し,実写多体システムにおける分散センシングとハミルトン学習のための一般的な枠組みを提供する。

関連論文リスト

• Enhanced Hamiltonian Learning Precision with Multi-Stage Neural Networks [10.285214278728528]
  ハミルトン学習精度を向上させる多段階ニューラルネットワークフレームワークを提案する。 提案手法は,ランダム初期状態の単一キュービットパウリ測定から時系列データを利用する。 パラメータの精度を最大化することで、2量子システム上でのフレームワークを実証する。
  論文  参考訳（メタデータ） (2025-03-10T14:10:59Z)
• Enhanced quantum frequency estimation by nonlinear scrambling [41.94295877935867]
  非線形量子電磁場における未知の周波数を動的に符号化することで、周波数推定を大幅に改善できることを示す。 我々は、ハミルトン構造における非可換性の度合いを測定するウィグナー・ヤネーゼスキュー情報を用いて、この効果を定量化する。
  論文  参考訳（メタデータ） (2025-03-03T19:00:01Z)
• Ansatz-free Hamiltonian learning with Heisenberg-limited scaling [4.185787832868736]
  構造制約なしに任意のスパースハミルトニアンを学習するための量子アルゴリズムを提案する。 本手法は, 状態調整・測定誤差に耐性がある。 これらの結果は、複素量子系におけるハイゼンベルク制限ハミルトニアン学習のさらなる探索の道を開く。
  論文  参考訳（メタデータ） (2025-02-17T15:23:59Z)
• Learning interactions between Rydberg atoms [4.17037025217542]
  グラフニューラルネットワーク(GNN)を用いたハミルトン学習へのスケーラブルなアプローチを提案する。 我々は、GNNモデルがトレーニング領域を超えて外挿できることを実証した。
  論文  参考訳（メタデータ） (2024-12-16T17:45:30Z)
• Efficiency of Dynamical Decoupling for (Almost) Any Spin-Boson Model [44.99833362998488]
  構造ボソニック環境と結合した2レベル系の動的疎結合を解析的に検討した。 このようなシステムに対して動的疎結合が機能する十分な条件を見つける。 私たちの境界は、様々な関連するシステムパラメータで正しいスケーリングを再現します。
  論文  参考訳（メタデータ） (2024-09-24T04:58:28Z)
• Quantum Causal Unravelling [44.356294905844834]
  我々は,多部量子プロセスにおける相互作用の因果構造を明らかにするための,最初の効率的な方法を開発した。 我々のアルゴリズムは、量子プロセストモグラフィーの技法で効率的に特徴付けることができるプロセスを特定するのに利用できる。
  論文  参考訳（メタデータ） (2021-09-27T16:28:06Z)
• Entanglement-enhanced sensing using a chain of qubits with always-on nearest-neighbor interactions [0.0]
  量子ビット間の常にオンに近い近接相互作用を持つ絡み合い増強型センシング手法を提案する。 現実的なデコヒーレンスの影響下においても、標準量子限界を超えて改良された感度を実現することができる。
  論文  参考訳（メタデータ） (2021-01-08T13:19:50Z)
• Sampling asymmetric open quantum systems for artificial neural networks [77.34726150561087]
  非対称な開系に対する高速収束時間と高いスケーラビリティを実現し,非対称性を考慮したハイブリッドサンプリング戦略を提案する。 我々は、ニューラルネットワークの普遍的適用性を強調し、ニューラルネットワークの普遍的適用性を概説する。
  論文  参考訳（メタデータ） (2020-12-20T18:25:29Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)

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。