論文の概要: Efficiently Learning Global Quantum Channels with Local Tomography
- arxiv url: http://arxiv.org/abs/2603.07037v1
- Date: Sat, 07 Mar 2026 04:54:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:13.702968
- Title: Efficiently Learning Global Quantum Channels with Local Tomography
- Title（参考訳）: 局所トモグラフィによるグローバル量子チャネルの学習
- Authors: Zidu Liu, Dominik S. Wild,
- Abstract要約: 本稿では,一次元のマルチキュービット状態とチャネルに対する局所的・言語的再構成フレームワークを提案する。
テンソルネットソー表現を用いることで、最大50キュービットのチャネルを再構築し、グローバル診断を正確に回復する。
これにより、グローバルなプロパティへのアクセスが可能なスケーラブルなチャネルキャラクタリゼーションに、強力なツールボックスローカルシャドウトモグラフィーを拡張します。
- 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: Scalable characterization of quantum processors is crucial for mitigating noise and imperfections. While randomized measurement protocols enable efficient access to local observables, inferring a globally consistent description of multi-qubit processes remains challenging. Here we introduce a local-to-global reconstruction framework for one-dimensional multi-qubit states and channels. The method is efficient provided that correlations, as quantified by the conditional mutual information, decay exponentially. In particular, we prove that under this assumption, the required number of samples scales polynomially with the system size and the desired global reconstruction error. Our approach is based on combining local shadow tomography with locally optimal recovery maps obtained by convex optimization. We supplement these rigorous guarantees by studying the performance of the protocol numerically for a system evolving under a local Lindbladian and a noisy, shallow circuit. By employing a tensor networ representation, we reconstruct channels acting on up to 50 qubits and accurately recover global diagnostics such as the process fidelity, the Choi state purity, and Pauli-weight-resolved process matrix elements. Our work thus extends the powerful toolbox local shadow tomography to scalable channel characterization with access to global properties.
- Abstract（参考訳）: 量子プロセッサのスケーラブルなキャラクタリゼーションは、ノイズや不完全性を緩和するために不可欠である。
ランダム化測定プロトコルは局所可観測物への効率的なアクセスを可能にするが、グローバルに一貫したマルチキュービットプロセスの記述を推論することは依然として困難である。
本稿では,一次元のマルチキュービット状態とチャネルに対する局所的・言語的再構成フレームワークを提案する。
この方法は、条件付き相互情報によって定量化された相関が指数関数的に減衰することを特徴とする。
特に、この仮定の下では、必要なサンプル数はシステムサイズと所望の大域的再構成誤差と多項式的にスケールすることが証明される。
提案手法は,局所影トモグラフィと凸最適化により得られた局所最適回復マップを組み合わせたものである。
局所的なリンドブラディアンと雑音の多い浅い回路の下で進化するシステムに対して,プロトコルの性能を数値的に研究することで,これらの厳密な保証を補う。
テンソルネットウール表現を用いることで、最大50キュービットのチャネルを再構築し、プロセス忠実度、Choi状態純度、Pauli-weight-resolvedプロセスマトリックス要素などのグローバル診断を正確に復元する。
これにより、グローバルなプロパティへのアクセスが可能なスケーラブルなチャネルキャラクタリゼーションに、強力なツールボックスローカルシャドウトモグラフィーを拡張します。
関連論文リスト
- UAGLNet: Uncertainty-Aggregated Global-Local Fusion Network with Cooperative CNN-Transformer for Building Extraction [83.48950950780554]
リモートセンシング画像からの抽出は、複雑な構造変化のために難しい課題である。
既存の方法は、セグメンテーションモデルにおけるマルチスケール特徴をキャプチャするために、畳み込みブロックまたは自己アテンションブロックを使用する。
高品質なグローバルローカルなビジュアルセマンティクスを活用するために,不確実性集約型グローバルローカルフュージョンネットワーク(UAGLNet)を提案する。
論文 参考訳（メタデータ） (2025-12-15T02:59:16Z) - PoissonNet: A Local-Global Approach for Learning on Surfaces [31.598472309890116]
メッシュ上での学習のための新しいニューラルネットワークであるPoissonNetを紹介する。
私たちの構築は効率的で、計算オーバーヘッドは同等のメソッドよりもはるかに少なくなります。
中心的な応用として、変形を学習する能力を示し、表面で学習する最先端のアーキテクチャを著しく上回っている。
論文 参考訳（メタデータ） (2025-10-15T22:25:44Z) - Robust and efficient estimation of global quantum properties under realistic noise [5.598445225432505]
制御Zを一意なエンタングゲート型としたランダム回路に基づくロバスト位相シャドウ方式を提案する。
位相影はクリフォードをベースとしたシステムの性能と一致することを示す。
本研究は, シャドーベース手法の実用性を高め, 雑音量子系の大域特性を推定するための堅牢でスケーラブルな経路を提供する。
論文 参考訳（メタデータ） (2025-07-17T15:47:46Z) - Stochastic Layer-wise Learning: Scalable and Efficient Alternative to Backpropagation [1.0285749562751982]
バックプロパゲーションは現代のディープラーニングを支えるものだが、グローバル同期への依存はスケーラビリティを制限し、高いメモリコストを発生させる。
対照的に、完全に局所的な学習ルールはより効率的であるが、コヒーレントなグローバルラーニングに必要な層間調整を維持するのに苦労することが多い。
本稿では,グローバルな目標を協調的なレイヤローカル更新に分解するレイヤワイズ学習アルゴリズムであるレイヤワイズ学習(SLL)を紹介する。
論文 参考訳（メタデータ） (2025-05-08T12:32:29Z) - Holographic Classical Shadow Tomography [1.9818805908789396]
古典的影トモグラフィーのための新しいランダム化計測手法である「ホログラフィックシャドウ」を紹介する。
ホログラフィック・シャドウ」は任意の長さスケールで幾何学的に局所的なパウリ作用素を学習するためのサンプル複雑性の最適スケーリングを実現する。
論文 参考訳（メタデータ） (2024-06-17T17:40:59Z) - Mesh Denoising Transformer [104.5404564075393]
Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。
SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。
局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。
Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
論文 参考訳（メタデータ） (2024-05-10T15:27:43Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳（メタデータ） (2022-09-21T02:33:07Z) - LoGG3D-Net: Locally Guided Global Descriptor Learning for 3D Place
Recognition [31.105598103211825]
追加のトレーニング信号(局所的整合性損失)が、リビジョン間で一貫性のある局所的特徴の学習にネットワークを導くことができることを示す。
私たちは、LoGG3D-Netと呼ばれるエンドツーエンドのトレーニング可能なアーキテクチャでアプローチを定式化します。
論文 参考訳（メタデータ） (2021-09-17T03:32:43Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-01T19:24:27Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳（メタデータ） (2020-03-19T15:36:31Z) - Dense Residual Network: Enhancing Global Dense Feature Flow for
Character Recognition [75.4027660840568]
本稿では,すべての畳み込み層から階層的特徴をフルに活用することにより,局所的・大域的特徴フローを改善する方法について検討する。
技術的には、テキスト認識のための効率的で効果的なCNNフレームワークであるFDRN(Fast Dense Residual Network)を提案する。
論文 参考訳（メタデータ） (2020-01-23T06:55:08Z)
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。