論文の概要: Projected Optimal Sensors from Operator Orbits
- arxiv url: http://arxiv.org/abs/2512.13294v1
- Date: Mon, 15 Dec 2025 13:07:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.669906
- Title: Projected Optimal Sensors from Operator Orbits
- Title（参考訳）: 演算子軌道からの投影型最適センサ
- Authors: Sooryansh Asthana, Yeshma Ibrahim, Norman Tze Wei Koo, Sai Vinjanampathy,
- Abstract要約: 我々は演算子代数を用いてラムゼー、ツイスト、ランダム量子センサを統一し、各種センサ設計のフィッシャースケーリングを考慮に入れた。
我々は、投射された量子状態のアンサンブルがショットノイズ以外のメトロジー性能を示す新しいセンサーセットを設計する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: We unify Ramsey, twist-untwist, and random quantum sensors using operator algebra and account for the Fisher scaling of various sensor designs. We illustrate how the operator orbits associated with state preparation inform the scaling of the sensitivity with the number of subsystems. Using our unified model, we design a novel set of sensors in which a projected ensemble of quantum states exhibits beyond-shot-noise metrological performance. We also show favorable scaling of Fisher information with decoherence models and loss of particles.
- Abstract（参考訳）: 我々は演算子代数を用いてラムゼー、ツイスト、ランダム量子センサを統一し、各種センサ設計のフィッシャースケーリングを考慮に入れた。
状態準備に関連する演算子軌道が、サブシステムの数に応じて感度のスケーリングを通知する方法について説明する。
統一モデルを用いて、投射された量子状態のアンサンブルがショットノイズ以外のメトロジー性能を示すような、新しいセンサーセットを設計する。
また、デコヒーレンスモデルによるフィッシャー情報のスケーリングや粒子の損失も良好である。
関連論文リスト
- MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。
そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T13:32:59Z) - Increasing the Robustness of Model Predictions to Missing Sensors in Earth Observation [5.143097874851516]
入力センサドロップアウト(ISensD)とアンサンブルセンサ不変(ESensI)という,マルチセンサシナリオに適した2つの新しい手法について検討した。
これらの手法は, モデル予測の頑健さを, センサの欠如に対して効果的に向上させることを示した。
アンサンブル・マルチセンサー・モデルはセンサの欠如に対して最も頑丈であることが観察された。
論文 参考訳（メタデータ） (2024-07-22T09:58:29Z) - Data-Based Design of Multi-Model Inferential Sensors [0.0]
産業プロセスの非線形特性は、通常、単純な線形推論センサーを設計する主な制限である。
本稿では,マルチモデル推論センサの設計のための2つの新しいアプローチを提案する。
その結果、単モデル/複数モデル推論センサの最先端設計技術よりも大幅に改善された。
論文 参考訳（メタデータ） (2023-08-05T12:55:15Z) - Data-Induced Interactions of Sparse Sensors Using Statistical Physics [2.2029818765681077]
トレーニングデータによって引き起こされるセンサインタラクションの全体像を計算するために,統計的メカニクスの視点を用いる。
本論文の2つの重要な進歩は、Isingモデル形式のセンサ配置景観の再キャストと、少数のセンサの再構成誤差を著しく低減する正規化再構成である。
論文 参考訳（メタデータ） (2023-07-21T18:13:37Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - Sensor-Guided Optical Flow [53.295332513139925]
本稿では、未知の領域や未知の領域において、より優れた精度を実現するために、外部キューを用いた光フローネットワークを誘導するフレームワークを提案する。
能動センサからの深度測定と幾何および手作り光学フローアルゴリズムを組み合わせることで,これらがどのように得られるかを示す。
論文 参考訳（メタデータ） (2021-09-30T17:59:57Z) - Learning a Probabilistic Strategy for Computational Imaging Sensor
Selection [16.553234762932938]
本稿では,センサ設計のための確率的センササンプリング戦略を学習する物理制約付き,完全微分可能なオートエンコーダを提案する。
提案手法は,センサ選択の相関関係を2次完全接続型Isingモデルとして特徴付ける,システムに好まれるサンプリング分布を学習する。
論文 参考訳（メタデータ） (2020-03-23T17:52:17Z) - Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。
我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。
実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文 参考訳（メタデータ） (2020-03-23T10:51:32Z)
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。