論文の概要: Adiabatic Error Cancellation in Berry Phase Estimation

• arxiv url: http://arxiv.org/abs/2604.20952v1
• Date: Wed, 22 Apr 2026 18:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.113971
• Title: Adiabatic Error Cancellation in Berry Phase Estimation
• Title（参考訳）: ベリー相推定における断熱誤差の抑制
• Authors: Chusei Kiumi,
• Abstract要約: ベリー位相推定は、自然かつ普遍的な断熱的エラーキャンセラ機構を許容する。 完全フォールトトレランス以前の実用的な量子コンピューティングの候補として有望であることを示す。
• 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: In this work, we show that Berry phase estimation admits a natural and universal adiabatic error-cancellation mechanism, making it a promising candidate for practical quantum computing before full fault tolerance. Combining finite-runtime evolutions under $\pm H$ along the loop cancels the leading $O(T^{-1})$ phase error exactly, and Richardson extrapolation further reduces the residual error to an oscillatory term with endpoint-controlled coefficient $O(\|\dot H(0)\|^2Δ(0)^{-4}T^{-2})$. Beyond this deterministic cancellation, we establish that, for suitable smooth runtime distributions, runtime randomization suppresses the remaining oscillatory contribution to $O(T^{-M})$ for any fixed $M$, leading to a randomized Hadamard-test algorithm for Berry phase estimation over the full range $[0,2π)$ with improved runtime scaling under standard sample complexity.
• Abstract（参考訳）: 本研究では,Berry位相推定が自然かつ普遍的な断熱的誤りキャンセル機構を許容していることを示し,完全な耐故障性の前に実用的な量子コンピューティングの候補として期待できることを示す。 ループに沿って$\pm H$の下での有限実行時間進化を組み合わせると、先頭の$O(T^{-1})$位相誤差を正確にキャンセルし、リチャードソン外挿法は、残差誤差をさらに、終端制御係数$O(\|\dot H(0)\|^2Δ(0)^{-4}T^{-2})$の振動項に還元する。 この決定論的キャンセルの他に、実行時ランダム化は、任意の固定された$M$に対して$O(T^{-M})$に対する残りの振動寄与を抑制し、標準サンプル複雑性下でのランタイムスケーリングを改善したフルレンジ$[0,2π)$に対するベリー位相推定のためのランダム化アダマールテストアルゴリズムを実現する。

関連論文リスト

• Collective Kernel EFT for Pre-activation ResNets [0.20625936401496234]
  有限幅ディープニューラルネットワークでは、経験的カーネル$G$が層間で進化する。 プリアクティベーション ResNets のための集合カーネル有効場理論 (EFT) を$G$のみのクロージャ階層に基づいて開発し,その有限クロージャウィンドウの診断を行う。
  論文  参考訳（メタデータ） (2026-04-17T06:31:50Z)
• Convergence, design and training of continuous-time dropout as a random batch method [0.0]
  ランダムバッチ方式のレンズを用いた連続時間モデルにおけるドロップアウト正規化について検討する。 我々は、長さ$h$の時間間隔でニューロンのバッチをサンプリングすることによって、ドロップアウトを模倣する、偏りのない、よく考えられた推定器を構築した。 次に、単層ニューラルネットワークを専門とし、分類とフローマッチングの理論を検証する。
  論文  参考訳（メタデータ） (2025-10-15T04:19:01Z)
• Fast Last-Iterate Convergence of SGD in the Smooth Interpolation Regime [26.711510824243803]
  本研究では, 最適騒音が0または0に近い政権において, 円滑な凸目標に対する勾配降下(SGD)の集団収束保証について検討した。 十分に調整されたステップサイズでは、最後の繰り返しに対してほぼ最適な$widetildeO (1/T + sigma_star/sqrtT)$レートを得る。
  論文  参考訳（メタデータ） (2025-07-15T12:52:47Z)
• Beyond likelihood ratio bias: Nested multi-time-scale stochastic approximation for likelihood-free parameter estimation [49.78792404811239]
  確率分析形式が不明なシミュレーションベースモデルにおける推論について検討する。 我々は、スコアを同時に追跡し、パラメータ更新を駆動する比率のないネスト型マルチタイムスケール近似(SA)手法を用いる。 我々のアルゴリズムは、オリジナルのバイアス$Obig(sqrtfrac1Nbig)$を排除し、収束率を$Obig(beta_k+sqrtfracalpha_kNbig)$から加速できることを示す。
  論文  参考訳（メタデータ） (2024-11-20T02:46:15Z)
• Nearly Minimax Optimal Regret for Learning Linear Mixture Stochastic Shortest Path [80.60592344361073]
  線形混合遷移カーネルを用いた最短経路(SSP)問題について検討する。 エージェントは繰り返し環境と対話し、累積コストを最小化しながら特定の目標状態に到達する。 既存の作業は、イテレーションコスト関数の厳密な下限や、最適ポリシーに対する期待長の上限を仮定することが多い。
  論文  参考訳（メタデータ） (2024-02-14T07:52:00Z)
• Statistical Inference of Constrained Stochastic Optimization via Sketched Sequential Quadratic Programming [53.63469275932989]
  制約付き非線形最適化問題のオンライン統計的推測を考察する。 これらの問題を解決するために、逐次二次計画法(StoSQP)を適用する。
  論文  参考訳（メタデータ） (2022-05-27T00:34:03Z)
• Single temporal-pulse-modulated parameterized controlled-phase gate for Rydberg atoms [1.6114012813668934]
  制御相ゲートCZ$_theta$を中性原子の連続$theta$で実装するための断熱プロトコルを提案する。 幅広い$theta$に対して、99.7%以上のCZ$_theta$ Gateを1mu$以下で得ることができる。
  論文  参考訳（メタデータ） (2022-01-16T07:40:26Z)
• Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
  カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。 我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。 MRP のサブクラスに対する minimax の下位境界を証明する。
  論文  参考訳（メタデータ） (2021-09-24T14:48:20Z)
• Fast Rates for the Regret of Offline Reinforcement Learning [69.23654172273085]
  無限水平割引決定プロセス(MDP)における固定行動ポリシーによって生成されたオフラインデータからの強化学習の後悔について検討する。 最適品質関数 $Q*$ に対する任意の推定が与えられたとき、定義するポリシーの後悔は、$Q*$-estimate の点収束率の指数によって与えられる速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-01-31T16:17:56Z)
• 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)

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。