論文の概要: Structure-Aware Variance Reduction for Unbiased Randomized Hamiltonian Simulation
- arxiv url: http://arxiv.org/abs/2606.23544v1
- Date: Mon, 22 Jun 2026 16:17:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 18:20:49.784506
- Title: Structure-Aware Variance Reduction for Unbiased Randomized Hamiltonian Simulation
- Title（参考訳）: 無バイアスランダムハミルトニアンシミュレーションのための構造認識変数の低減
- Authors: Joshua W. Dai, Fredrik Hasselgren, Chusei Kiumi,
- Abstract要約: ハミルトンシミュレーション法は、しばしば系統バイアスとサンプリングオーバーヘッドの間のトレードオフによって支配される。
本研究では,従来の分散還元手法を,平均チャネルを変更することなく適用可能であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Randomized Hamiltonian simulation methods are often governed by a trade-off between systematic bias and sampling overhead. We study how classical variance-reduction techniques can be applied to such methods without changing their mean channel, and therefore without introducing additional bias. As a motivating unbiased estimator, we formulate continuous time-evolution probabilistic angle interpolation (continuous TE-PAI), a quasiprobabilistic random-circuit protocol whose remaining Monte Carlo error is purely statistical. Continuous TE-PAI removes Trotter discretization error with finite-depth random circuits, whereas deterministic Trotterization does so only in the infinite-depth limit. Further, in tensor-network simulations, we demonstrate that discretization error can cause an unphysical exponential growth in the bond dimension required for Trotterized simulations, whereas comparable-depth continuous TE-PAI circuits avoid this growth. We then show that the variance of randomized product-formula-based estimators admits a canonical decomposition into a classical counting component and a quantum ordering component such that the dominant simulation overhead results from the non-commutative parts of the Hamiltonian dynamics. Motivated by this decomposition, we achieve an $\approx70\%$ error-reduction using the counting-component for small systems whereas our tensor-network simulations of $n=30$ spin-chain dynamics use coarser statistics tailored to the observable and estimator attaining a negligible bias and a reduction of $\approx 80\%$ leading to $\approx91\%$ and $\approx96\%$ sampling-cost reductions, respectively.
- Abstract（参考訳）: ランダム化ハミルトンシミュレーション法は、しばしば系統バイアスとサンプリングオーバーヘッドの間のトレードオフによって支配される。
本研究では,従来の分散還元手法を平均チャネルを変更することなく適用し,従ってバイアスを伴わずに適用する方法について検討する。
モチベーションのない非バイアス推定器として、モンテカルロの残差が純粋に統計的である準確率的ランダム回路プロトコルである連続時間進化確率角補間(continuous TE-PAI)を定式化する。
連続TE-PAIは有限深度ランダム回路によるトロッター離散化誤差を除去するが、決定論的トロッター化は無限深度制限でのみ行う。
さらに, テンソルネットワークシミュレーションでは, 離散化誤差がトロッタライズシミュレーションに必要な結合次元の非物理的指数関数的成長を引き起こすことを示した。
次に、ランダム化された積形式に基づく推定器の分散は、古典的数え上げ成分と量子順序成分への正準分解を許容し、支配的なシミュレーションオーバーヘッドがハミルトン力学の非可換部分から生じることを示す。
この分解により、小系に対するカウント成分を用いた$\approx70\%$エラー還元を達成する一方、$n=30$スピンチェーン力学のテンソルネットワークシミュレーションでは、観測可能なバイアスと推定値に合わせた粗い統計を使い、$\approx 80\%$が$\approx91\%$と$\approx96\%$サンプリングコストの削減に導かれる。
関連論文リスト
- The Feedback Hamiltonian is the Score Function: A Diffusion-Model Framework for Quantum Trajectory Reversal [0.0]
ハミルトンの$H_mathrmmeas = r A / $が測定軌跡の分布を傾けることを示す。
このメカニズムは、機械学習におけるスコアベースの拡散モデルに関連している。
論文 参考訳（メタデータ） (2026-04-23T02:02:13Z) - When is randomization advantageous in quantum simulation? [0.004767523460900944]
本研究では,ハミルトニアンシミュレーションがランダム化の恩恵を受ける条件について検討する。
多くの項と非常に不均一な係数分布を持つハミルトニアンにとって、ランダム化法はゲート数を大幅に減少させる。
この状態は量子化学ハミルトニアンと部分的に重なり合うが、現実的なシステムは通勤パターンのような付加的な構造を示す。
論文 参考訳（メタデータ） (2026-04-08T18:00:04Z) - Stabilizing Fixed-Point Iteration for Markov Chain Poisson Equations [49.702772230127465]
有限状態マルコフ鎖を$n$状態と遷移行列$P$で研究する。
すべての非退化モードが実周辺不変部分空間 $mathcalK(P)$ によってキャプチャされ、商空間 $mathbbRn/mathcalK(P) 上の誘導作用素が厳密に収縮し、ユニークな商解が得られることを示す。
論文 参考訳（メタデータ） (2026-01-31T02:57:01Z) - Detecting Stochasticity in Discrete Signals via Nonparametric Excursion Theorem [0.15469452301122175]
本研究では,1つの離散時系列のみを用いて,拡散過程と決定論的信号とを区別する枠組みを開発する。
我々のアプローチは、連続半行列に対する古典的な探索と交差定理に基づいている。
本稿では,正準系,周期的・カオス的な地図,付加的な白色雑音を伴うシステムについて紹介する。
論文 参考訳（メタデータ） (2026-01-09T18:47:57Z) - Convergence, design and training of continuous-time dropout as a random batch method [0.0]
ランダムバッチ方式のレンズを用いた連続時間モデルにおけるドロップアウト正規化について検討する。
我々は、長さ$h$の時間間隔でニューロンのバッチをサンプリングすることによって、ドロップアウトを模倣する、偏りのない、よく考えられた推定器を構築した。
次に、単層ニューラルネットワークを専門とし、分類とフローマッチングの理論を検証する。
論文 参考訳（メタデータ） (2025-10-15T04:19:01Z) - Non-asymptotic bounds for forward processes in denoising diffusions: Ornstein-Uhlenbeck is hard to beat [49.1574468325115]
本稿では,全変動(TV)における前方拡散誤差の非漸近的境界について述べる。
我々は、R$からFarthestモードまでの距離でマルチモーダルデータ分布をパラメライズし、加法的および乗法的雑音による前方拡散を考察する。
論文 参考訳（メタデータ） (2024-08-25T10:28:31Z) - Robust computation of optimal transport by $\beta$-potential
regularization [79.24513412588745]
最適輸送(OT)は、確率分布間の差を測定する機械学習分野で広く使われているツールである。
我々は、いわゆる$beta$-divergenceに付随するベータポテンシャル項でOTを正規化することを提案する。
提案アルゴリズムで計算した輸送行列は,外乱が存在する場合でも確率分布を頑健に推定するのに役立つことを実験的に実証した。
論文 参考訳（メタデータ） (2022-12-26T18:37:28Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z) - Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。
我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。
MRP のサブクラスに対する minimax の下位境界を証明する。
論文 参考訳（メタデータ） (2021-09-24T14:48:20Z) - Understanding Double Descent Requires a Fine-Grained Bias-Variance
Decomposition [34.235007566913396]
ラベルに関連付けられた用語への分散の解釈可能で対称的な分解について述べる。
バイアスはネットワーク幅とともに単調に減少するが、分散項は非単調な振る舞いを示す。
我々はまた、著しく豊かな現象論も分析する。
論文 参考訳（メタデータ） (2020-11-04T21:04:02Z)
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。