論文の概要: Quantum analog-encoding for correlated Gaussian vectors and their exponentiation with application to rough volatility

• arxiv url: http://arxiv.org/abs/2604.22463v1
• Date: Fri, 24 Apr 2026 11:29:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.438202
• Title: Quantum analog-encoding for correlated Gaussian vectors and their exponentiation with application to rough volatility
• Title（参考訳）: 相関ガウスベクトルに対する量子アナログ符号化とその粗ボラティリティへの応用
• Authors: Tassa Thaksakronwong, Koichi Miyamoto,
• Abstract要約: 正規化されたガウス確率ベクトルの正確なシミュレーションのための量子アルゴリズムを提案する。 ファイナンシャル・アプリケーションによって動機付けられ、エンド・ツー・エンドのリソース分析を提供する。
• 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: Quantum computing may speed up numerical problems involving large matrices that are demanding for classical computers, and active research on this possibility is ongoing. In this work, we propose quantum algorithms for the exact simulation of a normalised correlated Gaussian random vector $|x\rangle=\vec{x}/\lVert\vec{x}\rVert$, $\vec{x}\sim\mathcal{N}(0,Σ)$, and its exponentiation $|e^{\vec{x}} \rangle= e^{\vec{x}}/\lVert e^{\vec{x}}\rVert$. When an $O(\mathrm{polylog} N)$-gate-depth quantum data loader for the covariance matrix $Σ\in\mathbb{R}^{N\times N}$ is available, preparing $|x\rangle$ and $|e^{\vec{x}}\rangle$ require $\widetilde{O}\left(\frac{\lVertΣ\rVert_F}{λ_{\max}}κ^{1.5}\right)$ and $\widetilde{O}\left(\lVert\vec{x}\rVert\frac{\lVertΣ\rVert_F}{λ_{\max}}κ^{1.5}\right)$ elementary gate depth respectively, where $\lVertΣ\rVert_F$, $λ_{\max}$, $κ$ denote the Frobenius norm, maximal eigenvalue, and condition number of $Σ$. Motivated by financial applications, we provide an end-to-end resource analysis when $\vec{x}$ represents a sample path of a Riemann-Liouville or standard fractional Brownian motion, or of a stationary fractional Ornstein-Uhlenbeck process. As a concrete example, we construct the quantum state encoding the rough Bergomi variance process and analyse the extraction of the integrated variance via quantum amplitude estimation. Under specific conditions, the dependence of $\lVertΣ\rVert_F/λ_{\max}$ and $κ$ on $N$ is small, and subcubic complexity in $N$ is achieved, indicating a quantum advantage over classical Cholesky-based sampling methods. To our knowledge, this constitutes the first quantum algorithmic framework for the amplitude encoding of exponentiated Gaussian processes, providing foundational primitives for quantum-enhanced financial modelling.
• Abstract（参考訳）: 量子コンピューティングは、古典的コンピュータに要求される大きな行列を含む数値問題を高速化し、この可能性に関する活発な研究が進行中である。 本研究では,正規化されたガウス確率ベクトル $|x\rangle=\vec{x}/\lVert\vec{x}\rVert$, $\vec{x}\sim\mathcal{N}(0,Σ)$ とその指数 $|e^{\vec{x}} \rangle=e^{\vec{x}}/\lVert e^{\vec{x}}\rVert$ の正確なシミュレーションのための量子アルゴリズムを提案する。 O(\mathrm{polylog} N)$-gate-depth quantum data loader for the covariance matrix $Σ\in\mathbb{R}^{N\times N}$ is available, preparing $|x\rangle$ and $|e^{\vec{x}}\rangle$ requires $\widetilde{O}\left(\frac{\lVertΣ\rVert_F}{λ_{\max}}κ^{1.5}\right)$ and $\widetilde{O}\left(\lVert\vec{x}\rVert\frac{\lVertΣ\rVert_F}{λ_{\max}}κ^{1.5}\right)$$\lVert\rVert_F}{λ_{\max}}κ^{1.5}\right)$ $\widetilde{O}\left(\lVert\vec{x}\rVert\rVert\rVert_F}{λλ_{\max}}κ^{1.5}\right). ファイナンシャル・アプリケーションによって動機付けられ、$\vec{x}$がリーマン・リウヴィルあるいは標準分数ブラウン運動のサンプルパス、あるいは定常分数オーエンシュタイン・ウレンベック過程のサンプルパスを表す場合、エンドツーエンドの資源分析を提供する。 具体的な例として、粗いベルゴミ分散過程をコードする量子状態を構築し、量子振幅推定による積分分散の抽出を分析する。 特定の条件下では、$N$上の$\lVertΣ\rVert_F/λ_{\max}$と$κ$の依存は小さく、$N$のサブキュビック複雑性は達成され、古典的なチョレスキーに基づくサンプリング法よりも量子的優位性を示す。 我々の知る限り、これは指数化ガウス過程の振幅符号化のための最初の量子アルゴリズムフレームワークであり、量子化金融モデリングの基礎となるプリミティブを提供する。

関連論文リスト

• Optimal Scalar Quantization for Matrix Multiplication: Closed-Form Density and Phase Transition [50.36362492608702]
  乗算前の2つの行列のエントリーワイズスカラー量子化について検討した。 我々は、閉形式の最適点密度 [ star(u) propto exp!left(-fracu26right)bigl( (1-2)+2u22bigr), qquad u=fracx_X を求め、相関駆動相転移を証明した。
  論文  参考訳（メタデータ） (2026-03-20T01:53:44Z)
• A Sublinear-Time Quantum Algorithm for High-Dimensional Reaction Rates [0.06524460254566902]
  非次元力学に対する量子アルゴリズムの成功確率の指数的減衰を克服するアルゴリズムを導入する。 また、この手法を用いて指数減衰を伴わない行列要素を直接推定する。 特殊古典散逸アルゴリズムは、実際にはこれらの境界よりも優れているが、これは量子的優位性への厳密な経路を示している。
  論文  参考訳（メタデータ） (2026-01-21T23:20:46Z)
• Spectral Gaps with Quantum Counting Queries and Oblivious State Preparation [47.600794349481966]
  本研究では、量子ビットの対数数を用いて、加算誤差$epsilonDelta_k$まで値を近似する量子アルゴリズムを提案する。 この分析における重要な技術的ステップは、適切なランダム初期状態の準備であり、最終的には閾値よりも小さい固有値の数を効率的に数えることができる。
  論文  参考訳（メタデータ） (2025-08-28T17:04:18Z)
• Asymptotically Optimal Quantum Amplitude Estimation by Generalized Qubitization [5.0755851789013535]
  まず、標準値が約1.28 L-1$で、$L$はクエリの数であることを示す。 次に、複数の関数を同時にブロックエンコードできる一般化量子化法を提案し、量子振幅を推定して最適な精度を達成する方法を示す。
  論文  参考訳（メタデータ） (2023-06-29T05:31:52Z)
• Quantum speedup of leverage score sampling and its application [0.0]
  本稿では,レバレッジスコアの計算を高速化する量子アルゴリズムを提案する。 応用として,ベクトル解出力を用いた剛性回帰問題に対する新しい量子アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-15T14:40:18Z)
• Near-optimal fitting of ellipsoids to random points [68.12685213894112]
  楕円体をランダムな点に合わせるという基本的な問題は、低ランク行列分解、独立成分分析、主成分分析に関係している。 我々はこの予想を、ある$n = Omega(, d2/mathrmpolylog(d))$ に対する適合楕円体を構成することで対数的因子まで解決する。 我々の証明は、ある非標準確率行列の便利な分解を用いて、サンダーソン等最小二乗構成の実現可能性を示す。
  論文  参考訳（メタデータ） (2022-08-19T18:00:34Z)
• 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)
• Random matrices in service of ML footprint: ternary random features with no performance loss [55.30329197651178]
  我々は、$bf K$ の固有スペクトルが$bf w$ の i.d. 成分の分布とは独立であることを示す。 3次ランダム特徴(TRF)と呼ばれる新しいランダム手法を提案する。 提案したランダムな特徴の計算には乗算が不要であり、古典的なランダムな特徴に比べてストレージに$b$のコストがかかる。
  論文  参考訳（メタデータ） (2021-10-05T09:33:49Z)
• An improved quantum-inspired algorithm for linear regression [15.090593955414137]
  量子行列反転アルゴリズムに類似した線形回帰の古典的アルゴリズムを提案する。 量子コンピュータは、このQRAMデータ構造設定において、線形回帰の最大12倍の高速化を達成できることを示す。
  論文  参考訳（メタデータ） (2020-09-15T17:58:25Z)
• Linear Time Sinkhorn Divergences using Positive Features [51.50788603386766]
  エントロピー正則化で最適な輸送を解くには、ベクトルに繰り返し適用される$ntimes n$ kernel matrixを計算する必要がある。 代わりに、$c(x,y)=-logdotpvarphi(x)varphi(y)$ ここで$varphi$は、地上空間から正のorthant $RRr_+$への写像であり、$rll n$である。
  論文  参考訳（メタデータ） (2020-06-12T10:21:40Z)

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。