論文の概要: Quantum Resources and Performance in the Initialization-Free Bernstein-Vazirani Algorithm

• arxiv url: http://arxiv.org/abs/2607.06033v1
• Date: Tue, 07 Jul 2026 09:10:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.464422
• Title: Quantum Resources and Performance in the Initialization-Free Bernstein-Vazirani Algorithm
• Title（参考訳）: 初期化自由ベルンシュタイン・ヴァジラニアルゴリズムにおける量子資源と性能
• Abstract要約: 本稿では,レジスタオーラクルとして任意のアンシラ状態が許容されるBernstein-Vaziraniアルゴリズムの変種を考える。 確率的IF-BVアルゴリズムの性能に関する明示的な公式を導出し、最大性能を達成するために初期状態に必要な条件を得る。
• 参考スコア（独自算出の注目度）: 44.098366957385174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Naseri et al. [Phys. Rev. A 106, 062429 (2022); arXiv:2205.13610] studied which quantum resources in initial states are essential for the probabilistic Bernstein-Vazirani (BV) algorithm, defining its performance as the optimal average success probability over all measurements. In this work, we consider a variant of BV algorithm, which is called the initialization-free (IF) BV algorithm, in which an arbitrary ancilla state as the oracle register is allowed, to improve the performance. We derive an explicit formula for the performance of the probabilistic IF-BV algorithm and obtain a necessary and sufficient condition for an initial state to achieve maximal performance. We further prove that, under a suitable ordering assumption on the coefficients of the initial state, the probabilistic IF-BV algorithm outperforms the standard probabilistic BV algorithm.
• Abstract（参考訳）: Naseri et al [Phys. Rev. A 106, 062429 (2022); arXiv:2205.13610] は確率的ベルンシュタイン・ヴァジラニ (BV) アルゴリズムにどの初期状態の量子資源が必須であるかを研究し、その性能を全ての測定値に対して最適な平均成功確率として定義した。 そこで本研究では,オラクレレジスタとしての任意のアンシラ状態が許容される初期化自由(IF)BVアルゴリズムと呼ばれる,BVアルゴリズムの変種について検討し,性能の向上を図る。 確率的IF-BVアルゴリズムの性能に関する明示的な公式を導出し、最大性能を達成するために初期状態に必要な条件を得る。 さらに、初期状態の係数に対する適切な順序付け仮定の下で、確率的IF-BVアルゴリズムが標準確率的BVアルゴリズムより優れていることを証明した。

関連論文リスト

• Natural Evolutionary Search meets Probabilistic Numerics [24.753011922443513]
  確率的自然進化戦略アルゴリズム(ProbNES)と呼ばれる新しいアルゴリズムのクラスを導入する。 我々は,ProbNESアルゴリズムが,非確率的手法とグローバルサンプル効率の手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-07-09T21:15:50Z)
• Success probability in Shor's Algorithm [0.0]
  本研究の目的は,Shorのアルゴリズムの各ステップにおける精度の高い成功確率を決定することである。 導出式は、シャイアのアルゴリズムにおける全ての失敗事例を識別することができるが、これはゼロの成功確率に相当する。
  論文  参考訳（メタデータ） (2025-05-01T10:08:58Z)
• Exploring the Algorithm-Dependent Generalization of AUPRC Optimization with List Stability [107.65337427333064]
  AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。 本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。 3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
  論文  参考訳（メタデータ） (2022-09-27T09:06:37Z)
• Batch Bayesian optimisation via density-ratio estimation with guarantees [26.052368583196426]
  本稿では,BOREの後悔を理論的に分析し,不確実性の推定を改良したアルゴリズムの拡張について述べる。 また,BOREを近似ベイズ推論として再キャストすることにより,バッチ最適化設定に自然に拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-22T00:42:18Z)
• Selection of the Most Probable Best [2.1095005405219815]
  予測値ランキングと選択(R&S)問題では,すべてのk解のシミュレーション出力が,分布によって不確実性をモデル化可能な共通パラメータに依存する。 我々は、最も確率の高い最適解 (MPB) を、分布に関して最適である確率が最も大きい解と定義する。 最適化条件における未知の手段をその推定値に置き換えるアルゴリズムを考案し,シミュレーション予算が増加するにつれて,アルゴリズムのサンプリング比が条件を満たすことを証明した。
  論文  参考訳（メタデータ） (2022-07-15T15:27:27Z)
• ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
  バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。 既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。 本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
  論文  参考訳（メタデータ） (2021-10-13T19:36:50Z)
• 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)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
  我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。 本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。 高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-23T01:34:18Z)
• Boosting Algorithms for Estimating Optimal Individualized Treatment Rules [4.898659895355356]
  最適な個別化処理規則を推定するための非パラメトリックアルゴリズムを提案する。 提案アルゴリズムは機械学習文学において最も強力なアルゴリズムの1つであるXGBoostアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2020-01-31T22:26:38Z)

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。