論文の概要: Performance Optimization Method for Laser-Phase-Noise based Quantum Random Number Generation
- arxiv url: http://arxiv.org/abs/2604.14511v1
- Date: Thu, 16 Apr 2026 00:57:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.662496
- Title: Performance Optimization Method for Laser-Phase-Noise based Quantum Random Number Generation
- Title（参考訳）: レーザー位相ノイズに基づく量子乱数生成の性能最適化法
- Abstract要約: 生成速度やエントロピーを最大化する理論モデルはまだ不完全である。
このスキームの総合的な物理モデルを導入し、生データのパワースペクトルと確率分布を正確に予測する。
提案手法により,実験装置の事前設定により,設計されたパワースペクトルと生データの確率分布を実現することができる。
- 参考スコア（独自算出の注目度）: 19.40654818819811
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The quantum random number generation based on laser phase noise, which is featured with high generation rate and ease for photonic integration, has been extensively investigated and demonstrated. Despite these advancements, a theoretical model to achieve optimal performance in terms of maximizing the generation rate or entropy is still incomplete. In this work, a comprehensive physical model for this scheme is introduced to accurately predict the power spectrum and probability distribution of raw data, based on which the entropy source bandwidth and quantum min-entropy can be accordingly calculated and thus the system performance can be quantitatively evaluated. The model is sufficiently validated through both simulation and experiment with significant agreement under various setups. Furthermore, our proposal enables the priori configuration of experimental setups to achieve designed power spectrum and probability distribution of the raw data, thereby maximizing the generation rate or the min-entropy for system performance optimization.
- Abstract（参考訳）: レーザ位相ノイズに基づく量子乱数生成は,高生成率と光子積分の容易さを特徴とし,広範に研究され,実証されている。
これらの進歩にもかかわらず、生成率やエントロピーを最大化する理論モデルはまだ不完全である。
本研究では、エントロピー源帯域と量子ミンエントロピーを適切に計算し、システム性能を定量的に評価し、生データのパワースペクトルと確率分布を正確に予測するために、網羅的な物理モデルを導入する。
モデルはシミュレーションと実験の両方で十分に検証され、様々な設定でかなりの合意が得られた。
さらに,実験装置の事前設定により,設計したパワースペクトルと生データの確率分布を実現し,システム性能最適化のための生成率や最小エントロピーを最大化する。
関連論文リスト
- Stochastic Pauli-path simulator for large-scale quantum optimization [57.179828941706006]
パウリパスシミュレータは、低磁力状態における量子回路の大規模古典的シミュレーションへの有望な経路を提供する。
既存のアプローチでは、勾配ベースの最適化をネイティブにサポートしていないか、あるいは厳しい勾配バイアスに悩まされている。
本稿では,大規模量子最適化のための計算フレームワークであるPauli-path simulator (SPPS)を提案する。
論文 参考訳（メタデータ） (2026-07-20T10:43:44Z) - From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。
最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。
次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文 参考訳（メタデータ） (2026-07-10T20:59:06Z) - EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。
我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。
EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
論文 参考訳（メタデータ） (2026-03-17T06:11:56Z) - Generative modeling with Gaussian Boson Sampling: classically trainable Bosonic Born Machines [0.1449880056570423]
パラメトリゼーションされたガウスボソンサンプリング回路上に構築されたフォトニック量子生成モデルを導入する。
このトレーニングは、状態のガウス構造によって実現される期待値の効率的な古典的評価に基づいている。
最大805モードと100万以上のトレーニング可能なパラメータを持つフォトニックシステムにおける数値実験によるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2026-03-11T18:04:11Z) - BITS for GAPS: Bayesian Information-Theoretic Sampling for hierarchical GAussian Process Surrogates [45.88028371034407]
本稿では,階層型GAussian Process Surrogates (BITS for GAPS) のためのベイズ情報理論サンプリングについて紹介する。
BITS for GAPSは、既知の物理がシステムの一部を支配しているシリアルハイブリッドモデリングをサポートする。
候補入力位置から得られる期待情報を定量化するエントロピーに基づく取得関数を導出する。
論文 参考訳（メタデータ） (2025-11-20T21:36:21Z) - Leveraging Diffusion Models for Parameterized Quantum Circuit Generation [0.0]
我々は、量子回路(PQC)を合成するために、拡散モデル(DM)に基づく生成的アプローチを導入する。
我々は,高忠実度グリーンベルガー・ホーネ・ザイリンガー(GHZ)状態の生成に最適化されたPQCを合成し,量子機械学習(QML)分類タスクにおいて高い精度を達成するためのアプローチを実証する。
論文 参考訳（メタデータ） (2025-05-27T08:14:58Z) - Conditional Diffusion-based Parameter Generation for Quantum Approximate Optimization Algorithm [7.48670688063184]
量子近似最適化(Quantum Approximate Optimization、OAQA)は、MaxCut問題を効率的に解くための約束を示すハイブリッドである。
生成学習モデル、特に denoising diffusion (DDPM) は、グラフデータセット上の分布パラメータを学習することである。
論文 参考訳（メタデータ） (2024-07-17T01:18:27Z) - Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳（メタデータ） (2024-07-10T17:39:50Z) - Optimization of Static Potentials for Large Delocalization and Non-Gaussian Quantum Dynamics of Levitated Nanoparticles Under Decoherence [0.0]
浮遊ナノ粒子の最適静電位を求める最適化手法を提案する。
我々の戦略は、ポテンシャルのゆらぎから生じる位置依存ノイズ源を考慮に入れている。
最適構成はシステム内の雑音の強度と性質に依存することを示す。
論文 参考訳（メタデータ） (2024-06-28T14:01:24Z) - Optimising finite-time photon extraction from emitter-cavity systems [0.0]
本研究では,エミッタキャビティシステムから有限時間単一光子抽出限界を求める手法を開発した。
これらの手法を用いて、有限時間光子抽出の限界とそれらを満たす波束を研究する。
論文 参考訳（メタデータ） (2024-03-15T14:41:43Z) - Implicit Diffusion: Efficient Optimization through Stochastic Sampling [46.049117719591635]
パラメータ化拡散により暗黙的に定義された分布を最適化するアルゴリズムを提案する。
本稿では,これらのプロセスの1次最適化のための一般的なフレームワークについて紹介する。
エネルギーベースモデルのトレーニングや拡散の微調整に応用する。
論文 参考訳（メタデータ） (2024-02-08T08:00:11Z) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳（メタデータ） (2023-06-13T01:18:16Z) - 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) - Optimal non-classical correlations of light with a levitated nano-sphere [34.82692226532414]
非古典的相関は、量子技術における多くの応用のためのリソースを提供する。
オプトメカニカルシステムは、メカニカルモードと移動光モードの間の非古典的相関を生成することができる。
このようなシステムにおける量子相関生成の自動最適化を提案する。
論文 参考訳（メタデータ） (2020-06-26T15:27:47Z)
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。