論文の概要: Proof of the Error Scaling for Universally Robust Dynamical Decoupling Sequences

• arxiv url: http://arxiv.org/abs/2604.25807v1
• Date: Tue, 28 Apr 2026 16:15:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.944345
• Title: Proof of the Error Scaling for Universally Robust Dynamical Decoupling Sequences
• Title（参考訳）: ユニバーサルロバストな動的デカップリング系列に対する誤差スケーリングの証明
• Authors: Domenico D'Alessandro, Phattharaporn Singkanipa, Daniel Lidar,
• Abstract要約: UR$n$ DD 列に対して、$n$ さえも厳密な証明を示す。 この結果から, 厳密な解析的根拠に基づくUR$n$の構築が確立された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Universally robust dynamical decoupling (UR$n$) sequences were proposed to compensate pulse imperfections arising from arbitrary experimental parameters while achieving high-order error suppression with only a linear increase in the number of pulses. Although their performance was supported by analytical arguments, numerical simulations, and experiments, a complete mathematical proof of the claimed order of error compensation has been absent. In this work, we present a rigorous proof for UR$n$ DD sequences with even $n$. Using a series expansion of a quantity whose modulus is the fidelity $F$, we derive necessary and sufficient conditions for the cancellation of its coefficients up to, but not including, order $n$. The UR$n$ phase prescription satisfies these conditions, and therefore $1-F=O(ε^n)$. Our results establish the UR$n$ construction on firm analytical grounds and clarify the structure responsible for its high-order robustness.
• Abstract（参考訳）: 任意の実験パラメータから生じるパルス不完全性を補償するために, パルス数の線形増加のみによる高次誤差抑制を実現するために, 普遍的ロバストな動的疎結合 (UR$n$) 配列を提案した。 彼らの性能は解析的議論、数値シミュレーション、実験によって支えられたが、主張された誤り補償の順序の完全な数学的証明は欠落している。 そこで本研究では, UR$n$ DD 列に対して $n$ さえも厳密な証明を示す。 モジュラリティが$F$である数値の級数展開を用いて、係数のキャンセルに必要な十分条件を導出するが、$n$は含まない。 UR$n$相式はこれらの条件を満たすので、1-F=O(ε^n)$である。 以上の結果から,高次ロバスト性の原因となる構造を明らかにした。

関連論文リスト

• Algorithmic Analysis of Dense Associative Memory: Finite-Size Guarantees and Adversarial Robustness [0.0]
  Dense Associative Memory (DAM) は高次相互作用によりホップフィールドネットワークを一般化する。 キャパシティは、最悪の場合、$(Nn-1)$からpolylogarithmic factorまでのスケールを保証します。 DAM検索のダイナミクスは、純粋なナッシュ平衡に収束することを保証する潜在的なゲーム解釈を持つことを示す。
  論文  参考訳（メタデータ） (2026-04-14T14:38:46Z)
• Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
  制約を克服するオイラー法に対する全変分に基づく解析法を開発した。 その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。 全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
  論文  参考訳（メタデータ） (2026-02-26T00:47:51Z)
• Sampling non-log-concave densities via Hessian-free high-resolution dynamics [8.014749318189851]
  本研究では,Hessian-free- resolution (HFHR) プロセスのターゲット分布 $(q)prop e-U(q) からのサンプリング問題について検討する。 我々は、$blana U$ linear growth が無限大であるという追加の仮定の下で、HFHR 力学の収縮は KLD よりも厳密に優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-06T05:38:09Z)
• Preconditioned Langevin Dynamics with Score-Based Generative Models for Infinite-Dimensional Linear Bayesian Inverse Problems [4.2223436389469144]
  スコアベース生成モデル(SGM)によって駆動されるランゲヴィン力学は、関数空間内で直接的に定式化される。 スコアの近似誤差に明示的に依存する誤差推定を初めて導いた。 その結果、基底函数空間上のクルバック・リーブラー発散における大域収束のための十分条件が得られる。
  論文  参考訳（メタデータ） (2025-05-23T18:12:04Z)
• Derivatives of Stochastic Gradient Descent in parametric optimization [16.90974792716146]
  グラディエントDescent (SGD) の反復剤の誘導体の挙動について検討する。 元のSGDの収束によって摂動される異なる目的関数上の不正確なSGDによって駆動されることを示す。 具体的には、定常的なステップサイズでは、これらの導関数は解導関数を中心とするノイズボール内で安定化し、消滅したステップサイズでは$O(log(k)2 / k)$収束率を示すことを示した。
  論文  参考訳（メタデータ） (2024-05-24T19:32:48Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• Breaking the Heavy-Tailed Noise Barrier in Stochastic Optimization Problems [56.86067111855056]
  構造密度の重み付き雑音によるクリップ最適化問題を考察する。 勾配が有限の順序モーメントを持つとき、$mathcalO(K-(alpha - 1)/alpha)$よりも高速な収束率が得られることを示す。 得られた推定値が無視可能なバイアスと制御可能な分散を持つことを示す。
  論文  参考訳（メタデータ） (2023-11-07T17:39:17Z)
• Stochastic Inexact Augmented Lagrangian Method for Nonconvex Expectation Constrained Optimization [88.0031283949404]
  多くの実世界の問題は複雑な非機能的制約を持ち、多くのデータポイントを使用する。 提案手法は,従来最もよく知られた結果で既存手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-12-19T14:48:54Z)
• Clipped Stochastic Methods for Variational Inequalities with Heavy-Tailed Noise [64.85879194013407]
  単調なVIPと非単調なVIPの解法における信頼度に対数的依存を持つ最初の高確率結果が証明された。 この結果は光尾の場合で最もよく知られたものと一致し,非単調な構造問題に新鮮である。 さらに,多くの実用的な定式化の勾配雑音が重く,クリッピングによりSEG/SGDAの性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-06-02T15:21:55Z)

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。