論文の概要: Sample Complexity for Embedded Multipartite Entanglement Witness via Pauli and Clifford Classical Shadows
- arxiv url: http://arxiv.org/abs/2601.00859v1
- Date: Tue, 30 Dec 2025 06:27:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:21.796843
- Title: Sample Complexity for Embedded Multipartite Entanglement Witness via Pauli and Clifford Classical Shadows
- Title（参考訳）: Pauli と Clifford の古典的影を利用した組込み多部絡み合いウィットネスの複雑さ
- Authors: Ziran Zhang,
- Abstract要約: 我々は、古典的なシャドウプロトコルを用いて、より大規模な$N$-qubitシステムに埋め込まれたサブシステムである$n$-partiteの絡み合いを推定するために必要なサンプルの複雑さを研究する。
数値計算で固定加算誤差$$$のスナップショットコストに対して,定性的に異なるスケーリングをもたらすアンサンブル依存分散境界を導出する。
- 参考スコア（独自算出の注目度）: 1.1168121941015015
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting multipartite entanglement in many qubit systems is measurement-intensive, motivating protocols that estimate only selected observables with provable efficiency. In this work we use the classical shadow protocol to study the sample complexity required to estimate a family of subsystem $n$-partite entanglement witness embedded in an larger $N$-qubit system. We derive ensemble dependent variance bounds that lead to qualitatively distinct scaling for the snapshots cost at fixed additive error $ε$ with numerical simulations confirm these trends, exhibiting a clear crossover from Pauli favorable performance for local witness to Clifford favorable performance as the witness becomes more global.
- Abstract（参考訳）: 多くの量子ビット系におけるマルチパーティント絡みの検出は、測定集約的なモチベーションプロトコルであり、選択された可観測物のみを証明可能な効率で推定する。
この研究では、古典的なシャドウプロトコルを用いて、より大規模な$N$-qubitシステムに埋め込まれたサブシステムである$n$-partiteの絡み合いを推定するために必要なサンプルの複雑さを研究する。
固定加算誤差$ε$でスナップショットコストを定性的に異なるスケーリングに導くアンサンブル依存分散境界を導出し、数値シミュレーションによりこれらの傾向が確認され、証人がよりグローバルになるにつれて、地元の証人からクリフォードに有利なパフォーマンスを示す。
関連論文リスト
- G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。
複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。
G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
論文 参考訳（メタデータ） (2025-10-02T12:57:12Z) - EconProver: Towards More Economical Test-Time Scaling for Automated Theorem Proving [64.15371139980802]
大規模言語モデル(LLM)は、最近、自動定理証明(ATP)の分野を進歩させた。
ATPモデルに対する異なるテスト時間スケーリング戦略は、推論にかなりの計算オーバーヘッドをもたらすことを示す。
本稿では,統一EconRLパイプラインに統合可能な2つの補完手法を提案する。
論文 参考訳（メタデータ） (2025-09-16T03:00:13Z) - Enabling Pareto-Stationarity Exploration in Multi-Objective Reinforcement Learning: A Multi-Objective Weighted-Chebyshev Actor-Critic Approach [23.834874532235382]
多目的強化学習(MORL)のための重み付きulineMulineActor-critic(MOCHA)アルゴリズムを提案する。
学習率を慎重に選択することで、各探索のサンプルの複雑さを$tildemathcalO(epsilon-2)$にすることができる。
MOCHAアルゴリズムの性能は、他のベースラインMORL手法よりも大幅に向上する。
論文 参考訳（メタデータ） (2025-07-29T00:11:59Z) - Adaptive Exploration for Multi-Reward Multi-Policy Evaluation [26.03922159496432]
オンラインマルチリワードマルチ政治ディスカウント設定における政策評価問題
我々は、$epsilon$-accurate 推定の観点を採用して、有限あるいは凸な報酬の集合に対して$epsilon$accurate 推定を達成する。
論文 参考訳（メタデータ） (2025-02-04T17:35:51Z) - Real classical shadows [0.0]
U が局所あるいは大域クリフォードゲートに対応する場合、W は実数値ベクトルからなる。
提案手法は,様々な状況において,従来のシャドウプロトコルにより,サンプルの複雑さが向上することを示す。
論文 参考訳（メタデータ） (2024-10-30T22:15:39Z) - On-Demand Sampling: Learning Optimally from Multiple Distributions [63.20009081099896]
社会と現実世界の考察は、マルチディストリビューション学習パラダイムの台頭につながっている。
これらの学習パラダイムの最適なサンプル複雑性を確立し、このサンプル複雑性を満たすアルゴリズムを提供する。
アルゴリズムの設計と解析は,ゼロサムゲーム解決のためのオンライン学習手法の拡張によって実現されている。
論文 参考訳（メタデータ） (2022-10-22T19:07:26Z) - Optimal Off-Policy Evaluation from Multiple Logging Policies [77.62012545592233]
我々は,複数のロギングポリシからオフ政治評価を行い,それぞれが一定のサイズ,すなわち階層化サンプリングのデータセットを生成する。
複数ロガーのOPE推定器は,任意のインスタンス,すなわち効率のよいインスタンスに対して最小分散である。
論文 参考訳（メタデータ） (2020-10-21T13:43:48Z) - Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。
FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。
MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文 参考訳（メタデータ） (2020-07-18T09:48:29Z)
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。