論文の概要: Efficient Lindbladian Learning from Constant-Time Pauli Responses
- arxiv url: http://arxiv.org/abs/2607.25795v1
- Date: Tue, 28 Jul 2026 14:45:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.873028
- Title: Efficient Lindbladian Learning from Constant-Time Pauli Responses
- Title（参考訳）: 定時間パウリ応答によるリンドブラディアン学習の効率化
- Abstract要約: 局所応答は、開系力学における散逸的な寄与を含むこともある。
我々は、既知の局所的候補生成辞書のための効率的なリンドブラディアン学習フレームワークを開発する。
我々の理論的結果は、複雑な量子系を学習し、反転し、診断するためのスケーラブルなパラダイムとして局所応答を確立する。
- 参考スコア（独自算出の注目度）: 6.025791532554355
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning the generator of an open many-body system is more challenging than Hamiltonian learning: local responses, which can directly reveal coherent interaction terms in closed-system dynamics, may also contain dissipative contributions in open-system dynamics. In this paper, we address this challenge by developing an efficient Lindbladian learning framework for a known local candidate generator dictionary with bounded dissipative support and either bounded dual-interaction-graph degree or bounded unweighted local strength. The framework resolves the coherent-dissipative ambiguity by treating local Pauli responses as a linear system over both types of generator terms. Inverting this response system separates their contributions and makes the individual Lindbladian coefficients accessible from local response data in a fixed short-time window. Within this framework, we develop two efficient learning algorithms: Chebyshev--Lobatto response interpolation, which uses logarithmically many short evolution times and has a post-mean cost linear in $M$, with the stated dependence on $ε$, and Single-time projected response contraction, which uses a single fixed evolution time and globally inverts a truncated response function. Both procedures estimate $M$ candidate coefficients to entrywise accuracy $ε$ using $\widetilde{\mathcal{O}}(M/ε^2)$ sample and classical post-processing complexity. Our theoretical results establish local response inversion as a scalable paradigm for learning, calibrating, and diagnosing complex quantum systems from experimentally accessible short-time data.
- Abstract（参考訳）: 閉系力学におけるコヒーレント相互作用項を直接明らかにできる局所応答は、開系力学における散逸的な寄与も含んでいる。
本稿では,有界な解離支援と有界な双対相互作用グラフ次数あるいは有界な非重み付き局所強度を持つ,既知の局所的候補生成辞書のための効率的なリンドブラディアン学習フレームワークを開発することで,この問題に対処する。
この枠組みは、局所パウリ応答を両方の種類の生成項上の線形系として扱うことにより、コヒーレントな散逸の曖昧さを解消する。
この応答系を反転させることで、それぞれの寄与を分離し、固定された短時間ウィンドウ内の局所応答データから個々のリンドブラディアン係数をアクセスできるようにする。
このフレームワーク内では,2つの効率的な学習アルゴリズムが開発されている: Chebyshev--Lobatto 応答補間(Chebyshev--Lobatto response interpolation)。
どちらの手順も、$M$の候補係数を、$\widetilde{\mathcal{O}}(M/ε^2)のサンプルと古典的な後処理の複雑さを使って入力精度$ε$と見積もっている。
我々の理論的結果は、実験的な短時間データから複雑な量子システムを学習し、校正し、診断するためのスケーラブルなパラダイムとして、局所応答インバージョンを確立する。
関連論文リスト
- Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。
本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。
我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。
スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
論文 参考訳（メタデータ） (2026-08-25T15:07:11Z) - Learning Arbitrary Lindbladians from Time Evolution [9.103975636688793]
本研究では,未知のマルコフ開系生成器を物理的時間進化から学習する問題について検討する。
この生成元はリンドブラディアン (Lindbladian) と呼ばれ、指数関数的に大きなパウリ項の族によってインデックスされたハミルトンおよび散逸係数を含む。
最小の仮定の下で時間進化から任意のリンドブラディアンを学習する効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-07-30T17:58:01Z) - Characterizing Arbitrary Lindbladian Dynamics with a Few Pauli Measurements [3.3230675313521716]
任意のスパースマルコフ生成器を再構成するプロトコルを提案する。
このプロトコルは、ハードウェアクロック格子上の正の進化時間の対数で動作し、状態準備と測定誤差に対して確実に堅牢である。
論文 参考訳（メタデータ） (2026-07-25T05:03:00Z) - Learning the structure of open quantum systems [1.8253425124589737]
我々は,$O(g d2 log(n) / varepsilon2)$の全進化時間を用いて,$n$-qubit 定数局所リンドブレディアンから$varepsilon$エラーの係数を学習するアルゴリズムを設計する。
我々のアルゴリズムは、最先端のハミルトン学習アルゴリズムによって達成されたデシラタの組を達成する。
論文 参考訳（メタデータ） (2026-06-29T14:25:24Z) - Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - Physically natural metric-measure Lindbladian ensembles and their learning hardness [0.0]
我々は,Lindblad-Gorini-Kossakowski-Sudarshan(GKSL)マスター方程式によって生成されるランダム開系力学の学習性と暗号的応用について検討した。
特に,ダイアモンド標準におけるリンドブラディアンチャネルの学習において,総変動距離および平均QPStatの出力分布を学習するための平均SQ硬度を確立する。
論文 参考訳（メタデータ） (2026-01-05T05:32:54Z) - Learning Intersections of Two Margin Halfspaces under Factorizable Distributions [56.51474048985742]
ハーフスペースの交叉学習は計算学習理論における中心的な問題である。
たった2つのハーフスペースであっても、学習が時間内に可能かどうかという大きな疑問が残る。
本稿ではCSQ硬度障壁を確実に回避する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-11-13T00:28:24Z) - Learning and certification of local time-dependent quantum dynamics and noise [5.1798081822960365]
ハミルトン学習プロトコルは、量子コンピュータとシミュレーターのベンチマークに必須のツールである。
実効次元D$のグラフ上で局所的に相互作用する$nqubit系の時間依存性の進化を学習する。
本プロトコルは,成功確率1-delta$の間隔で,関数近似係数を精度$epsilon$に出力する。
論文 参考訳（メタデータ） (2025-10-09T17:39:40Z) - PDE Solvers Should Be Local: Fast, Stable Rollouts with Learned Local Stencils [20.49015396991881]
有限差分に着想を得たニューラルネットワークであるFINOは、厳密な局所性を強制する。
FINOは固定有限差分ステンシル係数を学習可能な畳み込みカーネルに置き換える。
最先端のオペレータ-ラーニングベースラインよりも最大44%低いエラー、最大2倍のスピードアップを実現している。
論文 参考訳（メタデータ） (2025-09-30T12:42:32Z) - FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。
Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文 参考訳（メタデータ） (2022-10-26T00:23:36Z) - Poly-NL: Linear Complexity Non-local Layers with Polynomials [76.21832434001759]
性能を損なわずに2次から線形に複雑性を低減できる新しい高速非局所ブロックを定式化する。
The proposed method, we dub that "Poly-NL" is competitive to state-of-the-art performance across image recognition, instance segmentation, and face detection task。
論文 参考訳（メタデータ） (2021-07-06T19:51:37Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳（メタデータ） (2020-03-19T15:36:31Z)
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。