論文の概要: Quantum tomography for non-iid sources

• arxiv url: http://arxiv.org/abs/2602.22057v1
• Date: Wed, 25 Feb 2026 16:06:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.897315
• Title: Quantum tomography for non-iid sources
• Title（参考訳）: 非イド源の量子トモグラフィー
• Authors: Leonardo Zambrano,
• Abstract要約: 提案する最小2乗断層撮影法は,完全適応状態下でも統計的に最適であることを示す。 時間平均状態やチャネルを再構築する際のサンプルの複雑さは、非適応的な単一コピー計測のための最適なスケーリングと一致することを証明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum state and process tomography are typically analyzed under the assumption that devices emit independent and identically distributed (i.i.d.) states or channels. In realistic experiments, however, noise, drift, feedback, or adversarial behavior violate this assumption. We show that projected least-squares tomography remains statistically optimal even under fully adaptive state and channel preparation. Specifically, we prove that the sample complexity for reconstructing the time-averaged state or channel matches the optimal i.i.d. scaling for non-adaptive, single-copy measurements. For rank-$r$ states, the sample complexity is $\mathcal{O}(d r^2/ε^2)$ to achieve accuracy $ε$ in trace distance, while for process tomography it is $\mathcal{O}(d^6/ε^2)$ to achieve accuracy $ε$ in diamond distance. Thus, dropping the i.i.d. assumption does not increase the fundamental sample complexity of quantum tomography, but only changes the interpretation of the reconstructed object.
• Abstract（参考訳）: 量子状態とプロセストモグラフィーは、デバイスが独立で同一に分散した状態(すなわち、d.d.)またはチャネルを放出するという仮定の下で解析されるのが一般的である。 しかし、現実的な実験では、ノイズ、ドリフト、フィードバック、あるいは敵の振る舞いがこの仮定に反する。 提案する最小2乗断層撮影法は,完全適応状態下でも統計的に最適であることを示す。 具体的には、時間平均状態やチャネルを再構築する際のサンプルの複雑さが、非適応的な単一コピー測定のための最適なスケーリングと一致することを証明している。 ランク=r^$状態の場合、サンプルの複雑さは、トレース距離で精度$ε$を達成するために$\mathcal{O}(d r^2/ε^2)$、プロセストモグラフィーでは、ダイヤモンド距離で精度$ε$を達成するために$\mathcal{O}(d^6/ε^2)$である。 したがって、i.d.仮定を下げることは、量子トモグラフィーの基本的なサンプルの複雑さを増大させるのではなく、再構成された対象の解釈を変えるだけである。

関連論文リスト

• High-accuracy log-concave sampling with stochastic queries [70.90863485771405]
  サブエクスフォデンシャルテールの繰り返し勾配を用いて,ログコンケーブサンプリングの精度保証が達成可能であることを示す。 また、このフレームワークは、0番目の順序(値)クエリの下でも、同様の高精度な保証を提供する。
  論文  参考訳（メタデータ） (2026-02-15T23:19:07Z)
• Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
  楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。 本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
  論文  参考訳（メタデータ） (2025-12-22T10:03:51Z)
• Fast quantum measurement tomography with dimension-optimal error bounds [0.6144680854063935]
  本稿では,古典的コプロセッシングコストに光を当てた2段階の量子計測トモグラフィープロトコルを提案する。 最悪ケース距離でエラー$epsilon$を達成するには$mathcalO(d3 L ln(d)/epsilon2)$サンプルが必要である。 また, 磁束可変トランスモン量子ビットを用いた雑音型超伝導量子コンピュータで行った経験的性能研究を補完する。
  論文  参考訳（メタデータ） (2025-07-06T18:35:07Z)
• An optimal tradeoff between entanglement and copy complexity for state tomography [24.737530909081915]
  本研究では,1回に$t$のコピーを計測できる自然環境下でのトモグラフィーについて検討する。 これは量子学習タスクで知られている最初のスムーズなエンタングルメント・コピープロトコルである。 重要な洞察は、シュリロンワイルサンプリングを用いて$rho$のスペクトルを推定するのではなく、最大混合状態から$rho$の偏差を推定することである。
  論文  参考訳（メタデータ） (2024-02-26T07:18:57Z)
• Lower Bounds for Learning Quantum States with Single-Copy Measurements [2.7869568828212175]
  量子トモグラフィーとシャドウトモグラフィーの問題点を,未知の$d$次元状態の個々のコピーを用いて測定した。 特に、この手法は、その複雑さの観点から、フォークロアのパウリ・トモグラフィー(Pauli tomography)アルゴリズムの最適性を厳格に確立する。
  論文  参考訳（メタデータ） (2022-07-29T02:26:08Z)
• Quantum state tomography with tensor train cross approximation [84.59270977313619]
  測定条件が最小限であるような状態に対して、完全な量子状態トモグラフィが実行可能であることを示す。 本手法は,非構造状態と局所測定のための最もよく知られたトモグラフィー法よりも指数関数的に少ない状態コピーを必要とする。
  論文  参考訳（メタデータ） (2022-07-13T17:56:28Z)
• Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and Variance Reduction [63.41789556777387]
  非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。 Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
  論文  参考訳（メタデータ） (2020-06-04T17:51:00Z)
• Breaking the Sample Size Barrier in Model-Based Reinforcement Learning with a Generative Model [50.38446482252857]
  本稿では、生成モデル(シミュレータ)へのアクセスを想定して、強化学習のサンプル効率について検討する。 最初に$gamma$-discounted infinite-horizon Markov decision process (MDPs) with state space $mathcalS$ and action space $mathcalA$を考える。 対象の精度を考慮すれば,モデルに基づく計画アルゴリズムが最小限のサンプルの複雑さを実現するのに十分であることを示す。
  論文  参考訳（メタデータ） (2020-05-26T17:53:18Z)

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。