論文の概要: Optimal classical shadow estimation of unitary channels at Heisenberg limit
- arxiv url: http://arxiv.org/abs/2606.13638v1
- Date: Thu, 11 Jun 2026 17:45:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.963689
- Title: Optimal classical shadow estimation of unitary channels at Heisenberg limit
- Title（参考訳）: ハイゼンベルク限界におけるユニタリチャネルの最適古典的シャドウ推定
- Authors: Entong He, Zihao Li, Noam Scully, Sisi Zhou, Yuxiang Yang,
- Abstract要約: 未知の量子進化の完全なトモグラフィーは資源集約であり、選択された性質を予測することだけを目標とする場合にしばしば不要である。
本稿では,入力状態や可観測物が一定のランクを持つ場合,$mathcalO(dvarepsilon-1)$クエリを用いた並列非適応CSEUプロトコルを提案する。
我々のクエリ最適化CSEUプロトコルは、量子学習理論のための汎用的で強力なツールを提供し、いくつかの基本的な学習タスクのパフォーマンス限界を押し上げます。
- 参考スコア（独自算出の注目度）: 14.66801274879422
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Full tomography of an unknown quantum evolution is resource-intensive and often unnecessary when the goal is only to predict selected properties. This motivates the study of classical shadow estimation of unitary channels (CSEU), a task in which one queries an unknown $d$-dimensional unitary $U$ and stores classical data that can later be used to predict expectation values $\mathrm{tr}[O \cdot UρU^\dagger]$ up to additive error $\varepsilon$ for arbitrary input states $ρ$ and observables $O$. We propose a parallel, non-adaptive CSEU protocol using $\mathcal{O}(d\varepsilon^{-1})$ queries when the input states or observables have constant rank. This achieves Heisenberg scaling with respect to $\varepsilon$ and is query-optimal, as we prove a matching $Ω(d\varepsilon^{-1})$ lower bound that remains valid even with stronger access to the unknown unitary. Our query-optimal CSEU protocol provides a versatile and powerful tool for quantum learning theory, pushing the performance limits of several fundamental learning tasks, including unitary channel tomography, Hamiltonian learning, boundary-regime quantum channel tomography, Pauli transfer matrix learning, inverse-free amplitude estimation, pure-state property estimation, and shallow-circuit learning. Remarkably, we show that optimal unitary channel tomography can be achieved using only parallel queries, closing the gap between the best achievable efficiency of parallel and sequential tomography protocols. Together, these applications establish our framework as a fundamental tool for learning properties of quantum processes, particularly for certain key tasks that require high precision.
- Abstract（参考訳）: 未知の量子進化の完全なトモグラフィーは資源集約であり、選択された性質を予測することだけを目標とする場合にしばしば不要である。
これは、未知の$d$-dimensionalのユニタリ$U$を問合せし、後に期待値を予測するために使用される古典的なデータを格納するタスクである、単元チャネルの古典的なシャドウ推定(CSEU)の研究を動機付けている。
本稿では,入力状態や観測可能値が一定ランクである場合,$\mathcal{O}(d\varepsilon^{-1})$クエリを用いて,並列で非適応なCSEUプロトコルを提案する。
これは、$\varepsilon$に対してハイゼンベルクのスケーリングを実現し、未知のユニタリへのより強いアクセスでも有効である$Ω(d\varepsilon^{-1})$lowboundを証明し、クエリ最適である。
我々のクエリ最適化CSEUプロトコルは、ユニタリチャネルトモグラフィー、ハミルトン学習、境界登録量子チャネルトモグラフィー、パウリ変換行列学習、逆フリー振幅推定、純粋状態特性推定、浅層回路学習など、基本的な学習タスクのパフォーマンス限界を押し上げる、量子学習理論のための汎用的で強力なツールを提供する。
ここでは,並列クエリのみを用いて最適なユニタリチャネルトモグラフィを実現することができ,並列およびシーケンシャルトモグラフィープロトコルの最適効率のギャップを埋めることができることを示す。
これらのアプリケーションは、量子プロセスの特性、特に高精度を必要とする特定の重要なタスクを学習するための基本的なツールとして、我々のフレームワークを確立します。
関連論文リスト
- Adiabatic Quantum Phase Estimation [47.3103723337301]
量子位相推定(QPE)は、ハミルトニアンの固有値をハイゼンベルク制限時間$T= (1/)$の精度で推定する中心的アルゴリズムプリミティブである。
QPEの標準ゲートベースの実装は、深く制御された時間進化回路を必要とし、アナログハードウェアに固有のものではない。
最適ハイゼンベルク制限スケーリング$T = Oleft( frac1 logleft(-1right)right)$を両精度で達成するQPEのための単純な断熱プロトコルを提案する。
論文 参考訳（メタデータ） (2026-05-21T17:31:36Z) - Towards End-to-End Quantum Estimation of Non-Hermitian Pseudospectra [7.8040425216185225]
非エルミート多体系はスペクトル不安定であり、小さな摂動は大きな固有値シフトを引き起こす。
疑似スペクトルは、この不安定性を定量化し、摂動ローバスト診断を提供する。
我々は、ある点 $zinmathbbC$ がスペクトルに対して$$-close であるかどうかを決定することは、5$-local operator に対して PSPACE-hard であることを示す。
論文 参考訳（メタデータ） (2026-03-17T07:44:04Z) - Analytical construction of $(n, n-1)$ quantum random access codes saturating the conjectured bound [0.0]
量子ランダムアクセスコード(QRAC)は、情報の圧縮性から限られた量子資源への基本的なトレードオフを具現化したものである。
明示的な演算子形式を用いて,$(n, n-1)$-QRACの解析的構成法を確立する。
導出された最適POVMを標準量子ゲートに分解する体系的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-01-27T04:43:43Z) - Optimal learning of quantum channels in diamond distance [0.0]
我々は、$d$次元のシステムに作用する量子チャネルを、ダイヤモンド距離で$varepsilon$の精度で推定できることを示した。
我々は、我々の知る限り、バイナリPOVMとイソメトリの演算-ノルム学習において、第一に本質的に最適な戦略を得る。
論文 参考訳（メタデータ） (2025-12-11T02:04:03Z) - Nearly query-optimal classical shadow estimation of unitary channels [6.715668514390893]
古典的影推定は、量子状態と量子過程の物性を学習するための強力なツールである。
量子実験において未知のユニタリチャネルをクエリすることで、$mathcalU$の古典的な記述を学ぶことがゴールである。
我々のプロトコルは、アウト・オブ・タイム・オーダの相関子のような多くの非線形特性を同時に予測するためにも適用できる。
論文 参考訳（メタデータ） (2024-10-18T15:25:40Z) - Q-Newton: Hybrid Quantum-Classical Scheduling for Accelerating Neural Network Training with Newton's Gradient Descent [37.59299233291882]
本稿では,ニュートンのGDを用いたニューラルネットワークトレーニングの高速化を目的とした,ハイブリッド量子古典スケジューラQ-Newtonを提案する。
Q-Newtonは量子と古典的な線形解法を協調する合理化スケジューリングモジュールを使用している。
評価の結果,Q-Newtonは一般的な量子機械と比較してトレーニング時間を大幅に短縮できる可能性が示された。
論文 参考訳（メタデータ） (2024-04-30T23:55:03Z) - Quantum Goemans-Williamson Algorithm with the Hadamard Test and
Approximate Amplitude Constraints [62.72309460291971]
本稿では,n+1$ qubitsしか使用しないGoemans-Williamsonアルゴリズムの変分量子アルゴリズムを提案する。
補助量子ビット上で適切にパラメータ化されたユニタリ条件として目的行列を符号化することにより、効率的な最適化を実現する。
各種NPハード問題に対して,Goemans-Williamsonアルゴリズムの量子的効率的な実装を考案し,提案プロトコルの有効性を実証する。
論文 参考訳（メタデータ） (2022-06-30T03:15:23Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - Tightening the Dependence on Horizon in the Sample Complexity of
Q-Learning [59.71676469100807]
この研究は、同期Q-ラーニングのサンプルの複雑さを、任意の$0varepsilon 1$に対して$frac|mathcalS| (1-gamma)4varepsilon2$の順序に絞る。
計算やストレージを余分に必要とせずに、高速なq-learningにマッチするvanilla q-learningの有効性を明らかにした。
論文 参考訳（メタデータ） (2021-02-12T14:22:05Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-28T17:21:25Z)
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。