論文の概要: Pairwise Liouvillian learning from randomized measurements: practical aspects and guidelines for operating the protocol in large-scale experiments

• arxiv url: http://arxiv.org/abs/2605.26953v1
• Date: Tue, 26 May 2026 12:42:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.093936
• Title: Pairwise Liouvillian learning from randomized measurements: practical aspects and guidelines for operating the protocol in large-scale experiments
• Title（参考訳）: ランダム化測定によるペアワイズ・リウヴィリアの学習--大規模実験におけるプロトコル運用の実践的側面とガイドライン
• Authors: William T. Lam, Manoj K. Joshi, Daniel Stilck França, Benoît Vermersch,
• Abstract要約: ランダム化されたパウリ状態と測定値に基づいて,Louvilian学習のためのプロトコルを数値的に研究する。 特に、二体相互作用、長距離相互作用、単体雑音設定において、Louvillianの係数を得るための完全なワークフローを記述する。
• 参考スコア（独自算出の注目度）: 2.5899040911480182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We review and numerically study a protocol for Liouvillian learning based on randomized Pauli states and measurements. In particular, in the two-body, long-range interactions, and single-body noise setting, we describe the complete workflow to obtain the coefficients of the Liouvillian in an efficient and pairwise manner, meaning that the required classical memory is independent of the system size. We also provide guidelines for choosing the parameters for data acquisition and postprocessing that minimize the total reconstruction error.
• Abstract（参考訳）: ランダム化されたパウリ状態と測定値に基づいて,リウヴィリア学習のためのプロトコルをレビューし,数値的に研究する。 特に, 2 体, 長距離相互作用, 単体雑音設定において, リウィリアンの係数を効率よく, 対角的に求める完全ワークフローを記述する。 また,データ取得と後処理のパラメータを選択するためのガイドラインも提供し,全体の再構成誤差を最小限に抑える。

関連論文リスト

• Large-scale Lindblad learning from time-series data [0.1749935196721634]
  本研究では,時間に依存しないLindbladモデルを量子コンピュータに繰り返し適用可能なプロトコルを開発した。 我々は、156量子ビット超伝導量子プロセッサ上の全ゲート層に対するリンドブラディアンの学習によるアプローチを実証する。
  論文  参考訳（メタデータ） (2025-12-09T01:50:14Z)
• Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
  共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。 共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
  論文  参考訳（メタデータ） (2025-11-23T00:50:33Z)
• Reinforced sequential Monte Carlo for amortised sampling [49.92678178064033]
  我々は、最大エントロピー強化学習(MaxEnt RL)により訓練されたシーケンシャルモンテカルロ(SMC)とニューラルシーケンシャルサンプリングとの接続を述べる。 本稿では,提案関数とツイスト関数の安定な連成訓練手法と,トレーニング信号のばらつきを低減するための適応重み付け方式について述べる。
  論文  参考訳（メタデータ） (2025-10-13T17:59:11Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Estimation and Inference for Causal Functions with Multiway Clustered Data [6.988496457312806]
  本稿では,一般的な因果関数のクラスに対する推定法と一様推論法を提案する。 因果関数は、調整された(Neyman-orthogonal)信号の条件付き期待値として同定される。 提案手法をアフリカにおける水準と歴史的奴隷貿易の因果関係の分析に適用する。
  論文  参考訳（メタデータ） (2024-09-10T17:17:53Z)
• Hamiltonian and Liouvillian learning in weakly-dissipative quantum many-body systems [0.0]
  我々は、リウィリアンのハミルトニアン作用素とリンドブラッド作用素の作用素内容を学ぶための様々な方法を提示し、比較する。 私たちのアプローチの中心的な側面は、パラメータ間の依存関係を導入し、変更することで、(再)パラメータ化(re-) ans'atze)することです。
  論文  参考訳（メタデータ） (2024-05-10T18:41:26Z)
• Choosing a Proxy Metric from Past Experiments [54.338884612982405]
  多くのランダム化実験では、長期的な計量の処理効果は測定が困難または不可能であることが多い。 一般的な方法は、いくつかの短期的プロキシメトリクスを計測して、長期的メトリックを綿密に追跡することである。 ランダム化実験の同種集団において最適なプロキシメトリックを定義し構築するための新しい統計フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-09-14T17:43:02Z)
• Adaptive Ensemble Q-learning: Minimizing Estimation Bias via Error Feedback [31.115084475673793]
  アンサンブル法はQ-ラーニングにおける過大評価問題を緩和するための有望な方法である。 推定バイアスはアンサンブルサイズに大きく依存していることが知られている。 本研究では, (a) アンサンブルサイズを柔軟に制御するためのフィードバックとなる近似誤差特性と, (b) 推定バイアスを最小化するためのアンサンブルサイズ適応の2つの重要なステップを考案する。
  論文  参考訳（メタデータ） (2023-06-20T22:06:14Z)
• Evaluating representations by the complexity of learning low-loss predictors [55.94170724668857]
  下流タスクの解決に使用されるデータの表現を評価することの問題点を考察する。 本稿では,関心のあるタスクにおける低損失を実現する表現の上に,予測器を学習する複雑性によって表現の質を測定することを提案する。
  論文  参考訳（メタデータ） (2020-09-15T22:06:58Z)

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。