論文の概要: Enhancing Entanglement Purification with Shared Randomness

• arxiv url: http://arxiv.org/abs/2607.21555v1
• Date: Thu, 23 Jul 2026 17:37:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.505536
• Title: Enhancing Entanglement Purification with Shared Randomness
• Title（参考訳）: 共有ランダム性による絡み合い浄化の促進
• Abstract要約: 耐故障性分散量子情報処理をサポートするために, エンタングルメントの整合性を改善するためには, エンターメント浄化プロトコル (EPP) が不可欠である。 古典的共有ランダム性はバッファメモリとともに、ソースラベルが利用できない場合の絡み合いの浄化を促進することができることを示す。
• 参考スコア（独自算出の注目度）: 4.66593016756287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entanglement purification protocols (EPPs) are essential for improving entanglement fidelity to support fault-tolerant distributed quantum information processing. Practical entanglement sources are often heterogeneous and source labels may be unavailable at the EPP layer. We show that classical shared randomness, together with buffer memories, can enhance entanglement purification when source labels are unavailable, without state characterization or EPP circuit optimization. The strategy is to accumulate multiple entanglement distribution rounds and then use shared randomness to shuffle all the stored entangled states before packaging them as inputs to the EPP. For any $n$ Werner sources and any fixed $n$-to-1 bilocal Clifford EPP, we prove that accumulating and shuffling improves the expected success probability and the success-weighted output Bell fidelity over the baseline without accumulating and shuffling, for every $n$, for every finite number of accumulation rounds and in the asymptotic limit, and the improvement increases monotonically with the number of accumulation rounds.
• Abstract（参考訳）: エンタングルメント浄化プロトコル(EPP)は、フォールトトレラントな分散量子情報処理をサポートするために、エンタングルメントの忠実性を改善するために不可欠である。 実用的な絡み合い源はしばしば異種であり、ソースラベルはEPP層では利用できないことがある。 古典的共有ランダム性はバッファメモリとともに、状態特性やEPP回路最適化を使わずに、ソースラベルが利用できない場合の絡み合いの浄化を向上させることができることを示す。 戦略は、複数の絡み合い分布ラウンドを蓄積し、共有ランダムネスを使用して、保存された絡み合い状態をすべてシャッフルし、EPPへの入力としてパッケージ化することである。 任意の$n$Werner ソースと固定$n$-to-1 ローカル Clifford EPP に対して、蓄積およびシャッフルにより期待される成功確率と成功重み付き出力が、蓄積およびシャッフルを行わずにベースライン上のベル忠実度を向上することが証明される。

関連論文リスト

• Photon-efficient quantum repeater chains via hyperentanglement-assisted purification [7.346307332191997]
  BDCZと組み合わされた終端経路の各セグメントでDAHRPPを統合したDAHR変異体を提案し,解析する。 DAHRの単光子ペア性能のマッチングには,BBPSSWの精製を2～3ラウンド行う必要があることを数値的に示す。
  論文  参考訳（メタデータ） (2026-08-31T13:44:53Z)
• Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
  Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。 本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
  論文  参考訳（メタデータ） (2026-08-24T15:06:18Z)
• STARE: Surprisal-Guided Token-Level Advantage Reweighting for Policy Entropy Stability [78.63876433996107]
  GRPOの下でトークンレベルのエントロピーダイナミクスの1次勾配解析を行う。 本稿では,バッチ内部量子化によるエントロピークリティカルトークンのサブセットを識別するSTAREを提案する。 AIME24とAIME25では、STAREはDAPOや他の競争ベースラインを平均精度で4%-8%上回っている。
  論文  参考訳（メタデータ） (2026-06-17T16:13:42Z)
• Decoupled PFNs: Identifiable Epistemic-Aleatoric Decomposition via Structured Synthetic Priors [25.166488691037078]
  Pre-Fitted Networks (PFNs) は、合成タスクに対するメタラーニングによるベイズ予測を補正するが、その標準出力はノイズの観測よりも後続の予測分布である。 以上の結果から, このてんかんの分離は, 一般的には後部予測分布だけでは識別できないことが明らかとなった。 我々はこれらのラベルを用いて、非結合のPFNを、別個の潜在信号頭とアレータリックヘッドで訓練する。
  論文  参考訳（メタデータ） (2026-05-07T15:22:35Z)
• Stratified Sampling for Quasi-Probability Decompositions [0.0]
  準確率分解(QPD)は多くの量子アルゴリズムやプロトコルにおいて必須であることが証明されている。 我々は,この分散を考慮し,低減するための幅広い枠組みを構築している。 典型的なQPDの数値シミュレーションは、全体分散の定数要素の減少を示す。
  論文  参考訳（メタデータ） (2026-02-11T17:46:40Z)
• Online Linear Programming with Replenishment [9.214452378957697]
  オンライン線形プログラミング(OLP)モデルについて検討し、在庫を事前に提供せず、補充プロセスを通じて徐々に到着する。 分散された不確実な補充の導入は、古典的なALPの構造を根本的に変える。 我々は,ALP文献で研究されている3つの主要な分布系について,新しいアルゴリズムと後悔の分析法を開発した。
  論文  参考訳（メタデータ） (2026-01-21T04:09:29Z)
• Optimal Fidelity-Aware Entanglement Distribution in Linear Quantum Networks [5.136852624384612]
  本稿では,2リンク線形量子ネットワークにおける終端エンタングルメントの完全忠実度を最大化するユーティリティ関数の最大化問題について検討する。 本稿では,Purify-then-Swap (PtS) とSwap-then-Purify (StP) の2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-12T11:09:30Z)
• Privacy of SGD under Gaussian or Heavy-Tailed Noise: Guarantees without Gradient Clipping [15.348717323408652]
  重み付きノイズの理論的利点と経験的利益のギャップを、最適化とプライバシー保護のために橋渡しする。 ヘビーテールのノイズ発生スキームは、ライトテールのノイズの代替となる可能性があることを示す。
  論文  参考訳（メタデータ） (2024-03-04T13:53:41Z)
• Discrete Probabilistic Inference as Control in Multi-path Environments [84.67055173040107]
  本稿では,離散分布と構造化分布からサンプリングする問題を逐次決定問題として考察する。 我々は,GFlowNetが,フローの保存を強制することによって,報酬に比例してオブジェクトをサンプリングするポリシーを学習していることを示す。 また、GFlowNetの文献で見られるフローマッチングの目的が、精度の高いMaxEnt RLアルゴリズムと等価であることも証明した。
  論文  参考訳（メタデータ） (2024-02-15T20:20:35Z)
• Distributional Reinforcement Learning with Dual Expectile-Quantile Regression [51.87411935256015]
  分布RLに対する量子レグレッションアプローチは、任意の戻り分布を柔軟かつ効果的に学習する方法を提供する。 我々は,分布推定が消失することを示し,推定分布が急速に平均に崩壊することを実証的に観察した。 我々は,$L$の学習効率に感化され,効率のよい学習方法として,返却分布の期待値と量子値を共同で学習することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T12:30:05Z)
• GFlowNet Foundations [66.69854262276391]
  Generative Flow Networks (GFlowNets) は、多様な候補をアクティブな学習コンテキストでサンプリングする方法として導入された。 GFlowNetのさらなる理論的性質について述べる。
  論文  参考訳（メタデータ） (2021-11-17T17:59:54Z)
• Learning Halfspaces with Tsybakov Noise [50.659479930171585]
  テュバコフ雑音の存在下でのハーフスペースの学習可能性について検討する。 真半空間に関して誤分類誤差$epsilon$を達成するアルゴリズムを与える。
  論文  参考訳（メタデータ） (2020-06-11T14:25:02Z)

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。