論文の概要: Effect of isotropic errors on the complexity of Grover's algorithm
- arxiv url: http://arxiv.org/abs/2606.04817v1
- Date: Wed, 03 Jun 2026 12:40:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.755192
- Title: Effect of isotropic errors on the complexity of Grover's algorithm
- Title（参考訳）: グローバーアルゴリズムの複雑さに対する等方的誤差の影響
- Authors: Anurag Saha Roy, Jesús Lacalle,
- Abstract要約: 数値シミュレーションによるGroverの探索アルゴリズムの複雑さに対する等方的誤差の影響について検討する。
結果はGroverのアルゴリズムの等方的誤りに対する堅牢性に関する洞察を与え、ノイズの多い量子ハードウェアの実装における潜在的な課題を浮き彫りにする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Isotropic errors have been shown to be immune to conventional error correction techniques. While general theoretical frameworks have been proposed to model such errors, there have been no studies so far analysing their concrete impact on practical use-cases. Here we explore the effect of isotropic errors on the complexity of Grover's search algorithm through numerical simulations, with an analysis of the impact on the algorithm's performance and success probability. The results provide insights into the robustness of Grover's algorithm against isotropic errors, highlighting potential challenges for implementations on noisy quantum hardware. All results presented here are obtained through numerical simulations using the open-source python library \texttt{isotropic} developed as part of this work. The source code, numerical simulations and documentation for the library are available online at https://www.github.com/lazyoracle/isotropic-error-analysis .
- Abstract（参考訳）: 異方性誤差は従来の誤り訂正手法に免疫があることが示されている。
このような誤りをモデル化するための一般的な理論的枠組みが提案されているが、実際的なユースケースに対する具体的な影響を分析する研究は今のところない。
本稿では,Groverの探索アルゴリズムの複雑度に対する等方的誤差の影響を数値シミュレーションにより検討し,アルゴリズムの性能と成功確率に与える影響を解析した。
この結果はGroverのアルゴリズムの等方的誤りに対する堅牢性に関する洞察を与え、ノイズの多い量子ハードウェアの実装における潜在的な課題を浮き彫りにした。
本研究の一環として開発されたオープンソースのpython library \texttt{isotropic} を用いて数値シミュレーションを行った。
ライブラリのソースコード、数値シミュレーション、ドキュメントはhttps://www.github.com/lazyoracle/isotropic-error-analysis で公開されている。
関連論文リスト
- Identifying Causal Direction via Variational Bayesian Compression [6.928582707713723]
鍵となる原理はアルゴリズムマルコフ条件であり、因果方向に応じて分解された結合分布はより簡潔な符号長をもたらすと仮定する。
従来のアプローチでは、これらの符号長を単純な関数やガウス過程(GP)に頼って容易に評価可能な複雑さで近似していた。
本稿では,ニューラルネットワークの変分ベイズ学習をコード長の解釈として活用することを提案する。
論文 参考訳（メタデータ） (2025-05-12T12:40:15Z) - Efficient simulation of Clifford circuits with small Markovian errors [0.0]
我々は,任意の小さな誤差(コヒーレントエラーを含む)を持つクリフォード回路の近似シミュレーションを,スパース$n$-qubit Lindbladiansで記述できる効率的なアルゴリズムを提案する。
このアルゴリズムを用いて,100万以上のゲートを含む深部ランダム225量子ビット回路において,距離3,5,7,9,11回転曲面符号のシンドローム抽出回路に対するコヒーレント誤差の影響を調べた。
論文 参考訳（メタデータ） (2025-04-21T14:23:56Z) - Geometry-Aware Approaches for Balancing Performance and Theoretical Guarantees in Linear Bandits [5.847084649531299]
トンプソンサンプリングとグリーディは有望な経験的性能を示したが、これは悲観的な理論的後悔の境界とは対照的である。
本稿では,問題パラメータの周辺における不確かさ楕円体の幾何学的特性を追従する新しいデータ駆動手法を提案する。
この手法により,Greedy,OFUL,Thompsonサンプルを含む幅広いアルゴリズムに対して,幾何学的情報を含むデータ駆動型頻繁な後悔境界を定式化することができる。
論文 参考訳（メタデータ） (2023-06-26T17:38:45Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。
厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。
このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文 参考訳（メタデータ） (2021-11-29T15:10:09Z) - Generalization of Neural Combinatorial Solvers Through the Lens of
Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。
本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。
他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。
驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文 参考訳（メタデータ） (2021-10-21T07:28:11Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z)
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。