論文の概要: pygridsynth: A fast numerical tool for ancilla-free Clifford+T synthesis

• arxiv url: http://arxiv.org/abs/2604.21333v1
• Date: Thu, 23 Apr 2026 06:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.33806
• Title: pygridsynth: A fast numerical tool for ancilla-free Clifford+T synthesis
• Title（参考訳）: pygridsynth: ancilla-free Clifford+T 合成のための高速数値ツール
• Authors: Shuntaro Yamamoto, Nobuyuki Yoshioka,
• Abstract要約: pygridsynthは、アンシラのない近似Clifford+$T$合成のためのPythonライブラリである。 このライブラリは、確立された効率的で高精度な合成ルーチンの上に構築されている。 pygridsynthは、高精度なClifford+T$合成と、単体/混合合成戦略のベンチマークのためのPythonネイティブプラットフォームである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present pygridsynth, an open-source Python library for ancilla-free approximate Clifford+$T$ synthesis that runs in $O(\log(1/ε))$ for precision $ε$. For $n=1, 2$ qubits, the library builds upon established efficient and high-precision synthesis routines, such as nearly optimal $Z$-rotation synthesis and magnitude approximation. For $n\ge 3$ qubits, we introduce a partial-decomposition technique that generalizes the magnitude approximation, reducing constant factors in the $T$-count as $(\frac{21}{8}\cdot 4^n - \frac{9}{2}\cdot 2^n + 9)\log_2(1/ε) + o(\log(1/ε))$. The package also exposes a mixed-synthesis workflow that approximates target unitary channels by probabilistic mixtures of Clifford+$T$ circuits, for which we empirically find that the synthesis error is reduced from $ε$ to $ε^2/(2n)$. Taken together, these features make pygridsynth a Python-native platform for high-precision Clifford$+T$ synthesis and for benchmarking unitary and mixed synthesis strategies on multi-qubit instances.
• Abstract（参考訳）: 我々は、アンシラのない近似Clifford+$T$合成のためのオープンソースのPythonライブラリpygridsynthを、$O(\log(1/ε))$ for precision$ε$で実行します。 このライブラリは、$n=1, 2$ qubitsに対して、ほぼ最適な$Z$回転合成や等級近似のような、確立された効率的で高精度な合成ルーチンの上に構築される。 n\ge 3$ qubits に対して、大域近似を一般化する部分分解法を導入し、$T$count の定数因子を $(\frac{21}{8}\cdot 4^n - \frac{9}{2}\cdot 2^n + 9)\log_2(1/ε) + o(\log(1/ε))$ として減少させる。 このパッケージはまた、Clifford+$T$回路の確率的混合によりターゲットのユニタリチャネルを近似する混合合成ワークフローを公開する。 これらの機能を組み合わせることで、pygridsynthはPythonネイティブなプラットフォームで、高精度なClifford$+T$合成と、マルチキュービットインスタンス上のユニタリおよび混合合成戦略のベンチマークを行うことができる。

関連論文リスト

• High-accuracy sampling for diffusion models and log-concave distributions [70.90863485771405]
  本稿では,$mathrmpolylog (1/)$のステップで$$-errorを求める拡散モデルサンプリングアルゴリズムを提案する。 我々の手法は、一般的なログ凹凸分布に対する最初の$mathrmpolylog (1/)$ complexity samplerをもたらす。
  論文  参考訳（メタデータ） (2026-02-01T17:05:31Z)
• Optimal ancilla-free Clifford+T synthesis for general single-qubit unitaries [0.0]
  決定論的合成と呼ばれる最初のアルゴリズムは、最小の$T$カウントを持つ単一量子ビットClifford+$T$回路によって任意の単一量子ユニタリを近似する。 第2のアルゴリズムは確率的合成と呼ばれ、最小の$T$カウントを持つ単一量子ビットClifford+$T$回路の確率的混合により任意の単一量子ユニタリを近似する。
  論文  参考訳（メタデータ） (2025-10-07T11:37:02Z)
• Log-concave Sampling from a Convex Body with a Barrier: a Robust and Unified Dikin Walk [12.842909157175582]
  我々は、$d$-dimensional log-concave distribution $pi(theta) propto exp(-f(theta))$ for $L$-Lipschitz $f$を考える。 本稿では,各繰り返しにおける障壁関数のヘシアンに対するスペクトル近似を計算するインプロバストサンプリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-08T05:32:51Z)
• A Proximal Modified Quasi-Newton Method for Nonsmooth Regularized Optimization [0.7373617024876725]
  Lipschitz-of-$nabla f$ $mathcalS_k|p$。 $mathcalS_k|p$。 $nabla f$. $mathcalS_k|p$。
  論文  参考訳（メタデータ） (2024-09-28T18:16:32Z)
• Iterative thresholding for non-linear learning in the strong $\varepsilon$-contamination model [3.309767076331365]
  閾値降下を用いた単一ニューロンモデル学習のための近似境界を導出する。 線形回帰問題も研究し、$sigma(mathbfx) = mathbfx$ となる。
  論文  参考訳（メタデータ） (2024-09-05T16:59:56Z)
• ReSQueing Parallel and Private Stochastic Convex Optimization [59.53297063174519]
  本稿では,BFG凸最適化(SCO: Reweighted Query (ReSQue) 推定ツールを提案する。 我々はSCOの並列およびプライベート設定における最先端の複雑さを実現するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-01-01T18:51:29Z)
• Learning a Single Neuron with Adversarial Label Noise via Gradient Descent [50.659479930171585]
  モノトン活性化に対する $mathbfxmapstosigma(mathbfwcdotmathbfx)$ の関数について検討する。 学習者の目標は仮説ベクトル $mathbfw$ that $F(mathbbw)=C, epsilon$ を高い確率で出力することである。
  論文  参考訳（メタデータ） (2022-06-17T17:55:43Z)
• TURF: A Two-factor, Universal, Robust, Fast Distribution Learning Algorithm [64.13217062232874]
  最も強力で成功したモダリティの1つは、全ての分布を$ell$距離に近似し、基本的に最も近い$t$-piece次数-$d_$の少なくとも1倍大きい。 本稿では,この数値をほぼ最適に推定する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-15T03:49:28Z)
• Model-Free Reinforcement Learning: from Clipped Pseudo-Regret to Sample Complexity [59.34067736545355]
  S$状態、$A$アクション、割引係数$gamma in (0,1)$、近似しきい値$epsilon > 0$の MDP が与えられた場合、$epsilon$-Optimal Policy を学ぶためのモデルなしアルゴリズムを提供する。 十分小さな$epsilon$の場合、サンプルの複雑さで改良されたアルゴリズムを示す。
  論文  参考訳（メタデータ） (2020-06-06T13:34:41Z)
• A Randomized Algorithm to Reduce the Support of Discrete Measures [79.55586575988292]
  離散確率測度が$N$原子と$n$実数値関数の集合で成り立つと、元の$N$原子の$n+1$の部分集合で支えられる確率測度が存在する。 我々は、負の円錐によるバリセンターの簡単な幾何学的特徴付けを与え、この新しい測度を「グリード幾何学的サンプリング」によって計算するランダム化アルゴリズムを導出する。 次に、その性質を研究し、それを合成および実世界のデータにベンチマークして、$Ngg n$ regimeにおいて非常に有益であることを示す。
  論文  参考訳（メタデータ） (2020-06-02T16:38:36Z)

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。