論文の概要: Weak distillation of quantum resources

• arxiv url: http://arxiv.org/abs/2603.25358v1
• Date: Thu, 26 Mar 2026 12:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.276036
• Title: Weak distillation of quantum resources
• Title（参考訳）: 量子資源の弱蒸留
• Authors: Shinnosuke Onishi, Oliver Hahn, Ryuji Takagi,
• Abstract要約: 予測値推定から弱いシミュレータへ準確率ベースのプロトコルを持ち上げるための一般的なフレームワークを提供する。 提案手法は, 誤差緩和, 絡み込み蒸留, マジックステート蒸留など, 関連シナリオにおいて, はるかに少ないサンプルを必要とする。
• 参考スコア（独自算出の注目度）: 0.7434305230842789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Importance sampling based on quasi-probability decomposition is the backbone of many widely used techniques, such as error mitigation, circuit knitting, and, more generally, virtual quantum resource distillation, as it allows one to simulate operations that are not accessible in a given setting. However, this class of protocols faces a fundamental problem -- it only allows to estimate expectation values. Here, we provide a general framework that lifts any quasi-probability-based protocol from expectation value estimation to a weak simulator, realizing sampling from the desired distribution only using a restricted class of quantum resources. Our method runs with the sampling cost proportional to the negativity of the quasi-probability, in stark contrast to the naive estimation-based approach that requires a large number of samples even in the case of small negativity. We show that our method requires significantly fewer samples in a number of relevant scenarios, such as error mitigation, entanglement distillation and magic state distillation. Our framework realizes the weak simulation of quantum resources without actually distilling the state, introducing a new notion of quantum resource distillation.
• Abstract（参考訳）: 準確率分解に基づく重要サンプリングは、エラー軽減、回路編み込み、より一般的には、特定の環境ではアクセスできない操作をシミュレートできる仮想量子リソース蒸留など、広く使われている多くの技法のバックボーンである。 しかしながら、この種のプロトコルは基本的な問題に直面します。 ここでは、期待値推定から弱いシミュレータへの準確率ベースのプロトコルを持ち上げ、制限された量子資源のクラスのみを用いて所望の分布からのサンプリングを実現するための一般的なフレームワークを提供する。 提案手法は, 擬似確率の負性率に比例するサンプリングコストを, 少ない負性率であっても多数のサンプルを必要とする, 単純推定に基づくアプローチとは対照的に, 提案手法を適用できる。 提案手法は, 誤差緩和, 絡み込み蒸留, マジックステート蒸留など, 関連シナリオにおいて, はるかに少ないサンプルを必要とすることを示す。 我々の枠組みは、実際に状態を蒸留することなく、量子資源の弱いシミュレーションを実現し、新しい量子資源蒸留の概念を導入している。

関連論文リスト

• Quantum Internet: Resource Estimation for Entanglement Routing [0.0]
  本研究では,ネットワークの資源スケーリングの現実的な実験誤差に対する依存性について検討する。 エラーモデルでは,従来提案したよりも,効率的なネットワーク動作のしきい値がかなり厳格に予測される。 ダイヤモンドに閉じ込められたイオンと色中心が、現在、大規模ネットワークへの最良のルートを提供していることがわかりました。
  論文  参考訳（メタデータ） (2024-10-14T13:50:39Z)
• Self-Guided Generation of Minority Samples Using Diffusion Models [57.319845580050924]
  データ多様体の低密度領域に居住する少数サンプルを生成するための新しい手法を提案する。 我々のフレームワークは拡散モデルに基づいて構築されており、ガイドドサンプリングの原理を生かしている。 実データセットのベンチマーク実験により、我々のアプローチは現実的な低自由度マイノリティインスタンスを作成する能力を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2024-07-16T10:03:29Z)
• High-probability minimax lower bounds [2.5993680263955947]
  ミニマックス量子化の概念を導入し、その量子化レベルへの依存を明確にする。 我々は、古典的なル・カム法とファノ法の高確率変種を開発し、局所的なミニマックスリスクの下限をミニマックス量子化上の下限に変換する技術を開発した。
  論文  参考訳（メタデータ） (2024-06-19T11:15:01Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Virtual quantum resource distillation [0.29998889086656577]
  蒸留または精製は、ノイズの多い環境での量子資源の実用的利用の中心である。 仮想資源蒸留は蒸留の標準概念よりもかなり有利であることを示す。 我々はコヒーレンス、絡み合い、魔法の蒸留への応用と量子テレポーテーションの明確な例を考える。
  論文  参考訳（メタデータ） (2023-03-02T04:15:52Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Rethinking Collaborative Metric Learning: Toward an Efficient Alternative without Negative Sampling [156.7248383178991]
  コラボレーティブ・メトリック・ラーニング(CML)パラダイムはレコメンデーション・システム(RS)分野に広く関心を集めている。 負のサンプリングが一般化誤差のバイアス付き推定に繋がることがわかった。 そこで我々は,SFCML (textitSampling-Free Collaborative Metric Learning) という名前のCMLに対して,負のサンプリングを伴わない効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-06-23T08:50:22Z)

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。