論文の概要: Entanglement-Assisted Timing Optimization for Discriminating Amplitude-Damping Dynamics

• arxiv url: http://arxiv.org/abs/2607.03757v1
• Date: Sat, 04 Jul 2026 08:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.707822
• Title: Entanglement-Assisted Timing Optimization for Discriminating Amplitude-Damping Dynamics
• Title（参考訳）: 振幅ダンピングダイナミクスの識別のための絡み合い支援タイミング最適化
• Abstract要約: 位相減衰型リンドブレディアンによる2つの量子力学過程の最小誤差判別を解析した。 非援助プローブに対しては, 最適トレーサノーム識別性を示す閉式を得る。
• 参考スコア（独自算出の注目度）: 1.529342790344802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We analyze minimum-error discrimination of two qubit dynamical processes generated by phase-covariant amplitude-damping Lindbladians in a single-use scenario. The optimization involves both the input probe, possibly entangled with an isolated ancilla, and the interrogation time. For unassisted probes we obtain a closed expression for the optimal trace-norm distinguishability at fixed time, with distinct interior and boundary branches. For entanglement-assisted probes, the common phase covariance of the two channels reduces the diamond-norm optimization to a one-parameter Schmidt family. The resulting formula gives transparent sufficient conditions for fixed-time entanglement advantage and separates this local advantage from advantage after global optimization over time. We exhibit examples in which the best unassisted strategy is approached only asymptotically, whereas an entangled probe achieves a strictly smaller error probability at finite time.
• Abstract（参考訳）: 位相共変振幅減衰型リンドブラディアンによる2つの量子力学過程の最小誤差判別を1つのシナリオで解析する。 最適化には、おそらく孤立したアンシラで絡まった入力プローブと、尋問時間の両方が含まれる。 非援助プローブに対しては、内部と境界の分岐を区別した最適トレースノルム識別性に対する閉式を得る。 エンタングルメント支援プローブでは、2つのチャネルの共通位相共分散がダイヤモンド-ノルム最適化を1パラメータシュミット族に還元する。 結果として得られる公式は、固定時間絡み合いの利点に対する透明な十分な条件を与え、この局所的な利点は時間とともにグローバルな最適化の後、有利から分離する。 一方、絡み合ったプローブは有限時間で厳密に誤差確率を小さくするのに対し、最も無支援な戦略が漸近的にのみアプローチされる例を示す。

関連論文リスト

• Rethinking quantum smooth entropies: Tight one-shot analysis of quantum privacy amplification [12.891210250935146]
  量子側情報に対するランダム性抽出の改良された一発的特徴化(プライバシ増幅)を導入する。 我々の主なツールは、古典的な滑らかな発散を測定によって持ち上げることで定義される、滑らかな条件付きエントロピーの新しいクラスである。 対数対数項に有界な一発逆数を与えることにより,結果の近似的最適性を示す。
  論文  参考訳（メタデータ） (2026-03-04T19:00:01Z)
• Revisiting Zeroth-Order Optimization: Minimum-Variance Two-Point Estimators and Directionally Aligned Perturbations [57.179679246370114]
  乱摂動の分布は, 摂動段差がゼロになる傾向にあるため, 推定子の分散を最小限に抑える。 以上の結果から, 一定の長さを維持するのではなく, 真の勾配に方向を合わせることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-22T19:06:39Z)
• Coreset selection for the Sinkhorn divergence and generic smooth divergences [0.8594140167290099]
  CO2は、一般的な滑らかな発散に対して凸重み付けされたコアセットを効率よく生成するアルゴリズムである。 十分な正規損失と2次近似の局所同値性を示し、コアセット選択問題を最大値の誤差最小化に還元する。 我々はシンクホーンの発散にCO2を適用し、ランダムサンプリングの近似保証に適合するために、多変量的に多くのデータポイントを必要とする新しいサンプリング手順を提供する。
  論文  参考訳（メタデータ） (2025-04-28T18:54:53Z)
• Stochastic Optimization with Optimal Importance Sampling [49.484190237840714]
  本稿では,両者の時間的分離を必要とせずに,意思決定とIS分布を共同で更新する反復型アルゴリズムを提案する。 本手法は,IS分布系に対する目的的,軽度な仮定の凸性の下で,最小の変数分散を達成し,大域収束を保証する。
  論文  参考訳（メタデータ） (2025-04-04T16:10:18Z)
• Improving Adaptive Online Learning Using Refined Discretization [44.646191058243645]
  リプシッツ損失を伴う制約のないオンライン線形最適化について検討する。 インスタンス最適性の追求に動機づけられ,我々は新しいアルゴリズムを提案する。 これらの結果の中心は、オンライン学習に対する継続的な時間的アプローチである。
  論文  参考訳（メタデータ） (2023-09-27T21:54:52Z)
• Self-Tuning Hamiltonian Monte Carlo for Accelerated Sampling [12.163119957680802]
  ハミルトニアンモンテカルロシミュレーションは、積分の時間ステップと積分の回数に大きく依存する。 このようなパラメータを自動的に調整する適応型汎用フレームワークを提案する。 損失と自己相関時間との良好な対応が確立できることを示す。
  論文  参考訳（メタデータ） (2023-09-24T09:35:25Z)
• Explicit Second-Order Min-Max Optimization: Practical Algorithms and Complexity Analysis [71.05708939639537]
  本研究では,非制約問題に対するグローバルなサドル点を求めるために,不正確なNewton型手法をいくつか提案し,解析する。 提案手法は,Sur分解の必要回数の$O(log(1/eps)$因子をシェービングすることで,既存のライン検索に基づくmin-max最適化を改善する。
  論文  参考訳（メタデータ） (2022-10-23T21:24:37Z)
• Faster Algorithm and Sharper Analysis for Constrained Markov Decision Process [56.55075925645864]
  制約付き意思決定プロセス (CMDP) の問題点について検討し, エージェントは, 複数の制約を条件として, 期待される累積割引報酬を最大化することを目的とする。 新しいユーティリティ・デュアル凸法は、正規化ポリシー、双対正則化、ネステロフの勾配降下双対という3つの要素の新たな統合によって提案される。 これは、凸制約を受ける全ての複雑性最適化に対して、非凸CMDP問題が$mathcal O (1/epsilon)$の低い境界に達する最初の実演である。
  論文  参考訳（メタデータ） (2021-10-20T02:57:21Z)
• Optimal Rates for Random Order Online Optimization [60.011653053877126]
  敵が損失関数を選択できるカテットガルバー2020onlineについて検討するが、一様にランダムな順序で提示される。 2020onlineアルゴリズムが最適境界を達成し,安定性を著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-06-29T09:48:46Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Convergence of adaptive algorithms for weakly convex constrained optimization [59.36386973876765]
  モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。 我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
  論文  参考訳（メタデータ） (2020-06-11T17:43:19Z)

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。