論文の概要: Displaced Gaussian Boson Sampling for enhanced max-clique search

• arxiv url: http://arxiv.org/abs/2605.27522v1
• Date: Tue, 26 May 2026 18:00:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.387272
• Title: Displaced Gaussian Boson Sampling for enhanced max-clique search
• Title（参考訳）: 最大傾き探索のための変位ガウスボソンサンプリング
• Authors: Ewan Mer, Zhenghao Li, Shang Yu, Ian A. Walmsley, Raj B. Patel,
• Abstract要約: GBS デバイスは、古典的アルゴリズムよりも非方向重み付きグラフにおける傾きの探索を促進できることが示されている。 損失条件下での変位を加味して最大重み付き傾斜角を求める場合, あるいは, 限られたスキーズが利用できる場合において, GBSの成功率の向上を報告した。
• 参考スコア（独自算出の注目度）: 1.3244654316770816
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaussian Boson Sampling (GBS) is capable of solving certain classes of graph problems owing to the samples produced by such a device having a connection to the hafnian matrix function. In particular, a GBS device has been shown to provide an enhancement in the search of cliques -- or complete subgraphs -- in undirected weighted graphs over classical algorithms. A graph can be mapped to a GBS experiment by configuring the squeezing parameters of the input states and programming the linear optical network. In practice, limited squeezing and photon loss degrade the performance of the GBS device for max-clique search. In comparison, coherent states -- often considered a classical resource due to their Poissonian statistics -- can be readily prepared across many modes using an attenuated laser. In this paper, we report an enhancement of the success rate of GBS in finding maximum weighted cliques by adding displacements under lossy conditions or when a limited amount of squeezing is available. Moreover, we report that this enhancement can be scaled up to large graphs with limited resource overheads.
• Abstract（参考訳）: ガウスボソンサンプリング(英: Gaussian Boson Sampling、GBS)は、ハフニアン行列関数に接続する装置によって生成されたサンプルにより、グラフ問題のある種のクラスを解くことができる。 特に、GBSデバイスは、古典的アルゴリズム上の無方向重み付きグラフにおいて、cliques -- あるいは完全部分グラフ -- の探索を強化することが示されている。 入力状態のスクイーズパラメータを設定し、線形光ネットワークをプログラムすることにより、グラフをGBS実験にマッピングすることができる。 実際には、制限されたスクイーズと光子損失は、最大傾き探索のためのGBSデバイスの性能を低下させる。 対照的に、コヒーレントな状態(ポアソン統計により古典的な資源と見なされることが多い)は、減衰レーザーを用いて容易に多くのモードで準備できる。 本稿では,損失条件下での変位を加味して最大重み付き傾斜角を求める場合のGBSの成功率の向上について報告する。 さらに,この拡張は,資源オーバーヘッドの少ない大規模グラフにまで拡張可能であることを報告した。

関連論文リスト

• A Quantum Photonic Approach to Graph Coloring [0.688204255655161]
  ガウスボソンサンプリング(英: Gaussian Boson Sampling、GBS)は、線形光学を利用してサンプリング問題を解決する量子計算モデルである。 最近の実験的ブレークスルーは、GBSを用いた量子優位性を示し、実世界の最適化問題への応用を動機付けている。
  論文  参考訳（メタデータ） (2026-01-28T05:18:27Z)
• Learning Grouped Lattice Vector Quantizers for Low-Bit LLM Compression [57.54335545892155]
  本稿では,各重みの群に独自の格子コードブックを割り当てるGLVQ(Grouped Lattice Vector Quantization)フレームワークを紹介する。 提案手法は,既存のトレーニング後の量子化ベースラインと比較して,モデルサイズと精度のトレードオフが良好である。
  論文  参考訳（メタデータ） (2025-10-23T20:19:48Z)
• Once-for-All: Controllable Generative Image Compression with Dynamic Granularity Adaptation [52.82508784748278]
  本稿では,制御生成画像圧縮フレームワークである制御-GICを提案する。 制御-GICは、高忠実度と一般性圧縮を確保しつつ、広帯域での微粒化適応を可能にする。 実験により,制御-GICは高い柔軟かつ制御可能な適応を可能にし,その結果が最近の最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-06-02T14:22:09Z)
• On the Privacy of Selection Mechanisms with Gaussian Noise [44.577599546904736]
  ガウス雑音によるReport Noisy MaxとAbove Thresholdの分析を再検討する。 その結果,Report Noisy Max の純元 DP 境界と Above Threshold の純元 DP 境界を提供することが可能であることがわかった。
  論文  参考訳（メタデータ） (2024-02-09T02:11:25Z)
• Gaussian Boson Sampling to Accelerate NP-Complete Vertex-Minor Graph Classification [0.9935277311162707]
  2つのグラフが互いに小さいかどうかを決定するNP完全問題に対するハイブリッド量子古典アルゴリズムを提案する。 ワンショット分類精度と入力スクイーズ量とのトレーディングが可能なグラフ埋め込みを見つける。 本稿では,グラフスペクトルに基づく新しい古典的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-05T21:24:11Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Solving Graph Problems Using Gaussian Boson Sampling [22.516585968074146]
  ノイズの多い中間スケールの量子コンピュータを用いてグラフ問題を解く。 我々は,大きな光子クリック数を持つGBS増幅の存在と,特定の雑音下での強化を実験的に観察した。 我々の研究は、既存の中間スケール量子コンピュータを用いて現実の問題をテストするためのステップである。
  論文  参考訳（メタデータ） (2023-02-02T08:25:47Z)
• Gaussian-boson-sampling-enhanced dense subgraph finding shows limited advantage over efficient classical algorithms [0.0]
  本研究では,高密度サブグラフ探索アルゴリズムに適用したGBSに対する損失やスペクトル不純物を含む誤差源の影響について検討する。 これらのアルゴリズムの有効性は誤りに対して極めて堅牢であり、基礎となるGBSをシミュレートできる効率的な古典的アルゴリズムが存在することが判明した。
  論文  参考訳（メタデータ） (2023-01-30T19:00:03Z)

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。