論文の概要: Physically natural metric-measure Lindbladian ensembles and their learning hardness
- arxiv url: http://arxiv.org/abs/2601.01806v1
- Date: Mon, 05 Jan 2026 05:32:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:22.775027
- Title: Physically natural metric-measure Lindbladian ensembles and their learning hardness
- Title（参考訳）: 物理的に自然な測度-リンドブラディアンアンアンサンブルとその学習困難性
- Authors: Caisheng Cheng, Ruicheng Bao,
- Abstract要約: 我々は,Lindblad-Gorini-Kossakowski-Sudarshan(GKSL)マスター方程式によって生成されるランダム開系力学の学習性と暗号的応用について検討した。
特に,ダイアモンド標準におけるリンドブラディアンチャネルの学習において,総変動距離および平均QPStatの出力分布を学習するための平均SQ硬度を確立する。
- 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: In open quantum systems, a basic question at the interface of quantum information, statistical physics, and many-body dynamics is how well can one infer the structure of noise and dissipation generators from finite-time measurement statistics alone. Motivated by this question, we study the learnability and cryptographic applications of random open-system dynamics generated by Lindblad-Gorini-Kossakowski-Sudarshan (GKSL) master equations. Working in the affine hull of the GKSL cone, we introduce physically motivated ensembles of random local Lindbladians via a linear parametrisation around a reference generator. On top of this geometric structure, we extend statistical query (SQ) and quantum-process statistical query (QPStat) frameworks to the open-system setting and prove exponential (in the parameter dimension $M$) lower bounds on the number of queries required to learn random Lindbladian dynamics. In particular, we establish average-case SQ-hardness for learning output distributions in total variation distance and average-case QPStat-hardness for learning Lindbladian channels in diamond norm. To support these results physically, we derive a linear-response expression for the ensemble-averaged total variation distance and verify the required nonvanishing scaling in a random local amplitude-damping chain. Finally, we design two Lindbladian physically unclonable function (Lindbladian-PUF) protocols based on random Lindbladian ensembles with distribution-level and tomography-based verification, thereby providing open-system examples where learning hardness can be translated into cryptographic security guarantees.
- Abstract（参考訳）: オープン量子システムにおいて、量子情報、統計物理学、および多体力学のインターフェースに関する基本的な疑問は、有限時間測定統計だけで、ノイズや散逸発生器の構造をいかに推測できるかである。
本稿では,Lindblad-Gorini-Kossakowski-Sudarshan (GKSL)マスター方程式によるランダム開系力学の学習可能性と暗号的応用について検討する。
GKSL円錐のアフィン殻で作業し、基準発生器の周りの線形パラメトリションを通して、ランダムな局所リンドブラディアンの物理的に動機付けられたアンサンブルを導入する。
この幾何構造の上に、統計的クエリ(SQ)と量子プロセス統計クエリ(QPStat)フレームワークをオープンシステム設定に拡張し、ランダムリンドブラディアン力学を学習するのに必要なクエリ数に対する指数的な(パラメータ次元$M$)下限を証明します。
特に,ダイアモンド標準におけるリンドブラディアンチャネルの学習において,総変動距離および平均QPStatの出力分布を学習するための平均SQ硬度を確立する。
これらの結果を物理的に支援するために、アンサンブル平均総変動距離に対する線形応答式を導出し、ランダムな局所振幅減衰鎖における不要なスケーリングを検証した。
最後に、分布レベルとトモグラフィに基づく検証によるランダムなリンドブラディアンアンアンアンアンアンサンブルに基づいて、2つのリンドブラディアン物理拘束不能関数(リンドブラディアン-PUF)プロトコルを設計し、学習難易度を暗号セキュリティ保証に変換できるオープンシステム例を提供する。
関連論文リスト
- Chaos, Entanglement and Measurement: Field-Theoretic Perspectives on Quantum Information Dynamics [0.0]
I study scrambling and pseudorandomness in the Brownian Sachdev-Ye-Kitaev model。
弱測定SYKクラスターに対する場の理論を構築する。
測定専用SYKクラスタのための高次再正規化グループを開発した。
論文 参考訳（メタデータ） (2025-12-11T10:04:30Z) - Towards Heterogeneous Quantum Federated Learning: Challenges and Solutions [47.08625631041616]
量子フェデレーション学習(QFL)は、量子コンピューティングとフェデレーション学習を組み合わせて、データのプライバシを維持しながら分散モデルトレーニングを可能にする。
既存のQFLフレームワークは、量子テキストカラーサイクル間の均一性に重点を置いており、量子データ分散、符号化技術、ハードウェアノイズレベル、計算能力の実際の分散を考慮していない。
これらの違いは、トレーニング中に不安定になり、収束が遅くなり、全体的なモデルパフォーマンスが低下する可能性がある。
論文 参考訳（メタデータ） (2025-11-27T06:35:45Z) - Finite-size security analysis for quantum protocols: A Python framework using the Entropy Accumulation Theorem with graphical interface [0.0]
本稿では,量子乱数生成(QRNG)と量子鍵分布(QKD)プロトコルの有限サイズセキュリティ解析のための包括的ソフトウェアフレームワークを提案する。
我々のフレームワークにはPython APIと直感的なグラフィカルユーザインタフェース(GUI)の両方が含まれており、ランダム性とキーレートの証明においてプロトコルデザイナと実験者をサポートするように設計されています。
論文 参考訳（メタデータ） (2025-06-23T17:56:38Z) - Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - Sharp finite statistics for quantum key distribution [0.0]
非正則ベルヌーイパラメータの平均に対する信頼区間も副生成物として従うことを示す。
最後に,超幾何分布の累積質量関数が正確に計算可能であるため,広いパラメータ構造ではテール境界の使用は強制されないことを示す。
これはQKDに必要な最小ブロックサイズを激減させ、中規模から大規模ブロックを考慮した場合の解析的境界の厳密さを明らかにする。
論文 参考訳（メタデータ） (2024-10-05T09:30:55Z) - Lindbladian reverse engineering for general non-equilibrium steady states: A scalable null-space approach [49.1574468325115]
NESS を対象とするリンドバルディアン・マスター方程式を再構成する手法を提案する。
相関行列の核(ヌル空間)はリンドブラディアン解に対応する。
ボソニックガウスから散逸駆動の集合スピンまで、様々なシステムでこの方法を説明する。
論文 参考訳（メタデータ） (2024-08-09T19:00:18Z) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-26T18:23:21Z) - Completely Positive Map for Noisy Driven Quantum Systems Derived by
Keldysh Expansion [39.58317527488534]
ケルディシュ形式に基づくデコヒーレンスモデルを導入する。
この定式化により、非周期駆動と相関量子ノイズをモデルに含めることができる。
我々は、この戦略が量子ビット状態移動およびゲート演算における相関量子ノイズを緩和するパルスを生成することを示した。
論文 参考訳（メタデータ） (2023-03-20T23:05:24Z) - Learning Quantities of Interest from Dynamical Systems for
Observation-Consistent Inversion [0.0]
本稿では,動的システムにおけるSIPの抽出可能な解を容易にする新しいフレームワークであるLearning Uncertain Quantities (LUQ)を提案する。
LUQはデータフィルタリング、基礎となるダイナミクスの教師なし学習、観察の分類、QoIマップの学習のための特徴抽出のためのルーチンを提供する。
科学的な利用のために、我々はPythonによるLUQの実装と、この原稿の成果を再現するために必要なすべてのデータとスクリプトへのリンクを提供します。
論文 参考訳（メタデータ） (2020-09-15T08:27:27Z)
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。