論文の概要: A Design Space Study of Density Matrix Parameterizations for Diffusion-Based Quantum State Tomography

• arxiv url: http://arxiv.org/abs/2608.09625v1
• Date: Mon, 10 Aug 2026 14:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.297824
• Title: A Design Space Study of Density Matrix Parameterizations for Diffusion-Based Quantum State Tomography
• Title（参考訳）: 拡散型量子状態トモグラフィのための密度行列パラメータ化の一設計空間
• Abstract要約: 本稿では,ジャコビアン文法行列 $mathbfJtopmathbfJ$ に基づく幾何学的枠組みを導入する。 2-および3-qubitスケールで7つのパラメータ化の校正を行ったところ、3つの重要な結果が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion-based quantum state tomography (QST) has shown promising results, but all existing methods implicitly adopt a single parameterization---typically Cholesky---without systematic evaluation. We present a design space study of density matrix parameterizations for diffusion QST, introducing a geometric framework based on the Jacobian Gram matrix $\mathbf{J}^\top\mathbf{J}$ that quantifies two competing criteria: isometric conditioning and physical constraint satisfaction. Our calibration of seven parameterizations at 2- and 3-qubit scales reveals three key findings. First, isometry and constraints are orthogonal criteria---no single parameterization optimizes both. Second, theoretical elegance does not predict geometric quality: the exponential map exhibits a spectral range of $149\times$ at 2 qubits and $75\,658\times$ at 3 qubits, while simpler parameterizations remain well-conditioned. Third, geometric conditioning alone does not fully predict end-to-end performance: without classifier-free guidance (CFG), Hermitian direct outperforms Bloch despite worse local isometry; under CFG, the ranking reverses due to amplified boundary effects. End-to-end training confirms that better-conditioned parameterizations converge faster and achieve higher fidelity in the absence of CFG. We provide actionable selection guidelines to guide future QST method design.
• Abstract（参考訳）: 拡散に基づく量子状態トモグラフィー(QST)は有望な結果を示しているが、既存のすべての手法は暗黙的に単一のパラメータ化、--典型的にはチョレスキー--を体系的評価なしで採用している。 拡散QSTに対する密度行列のパラメータ化に関する設計空間の研究を行い、ヤコビアン文法行列 $\mathbf{J}^\top\mathbf{J}$ に基づく幾何学的枠組みを導入する。 2-および3-qubitスケールで7つのパラメータ化の校正を行ったところ、3つの重要な結果が得られた。 第一に、アイソメトリと制約は直交する基準である--------- 単一のパラメータ化は両方を最適化しない。 指数写像はスペクトル範囲が 2 qubits で $149\times$ で、75\,658\times$ 3 qubits で 75\,658\times$ である。 第3に、幾何学的条件付けだけでは、分類器フリーガイダンス(CFG)なしでは、より悪い局所等尺性にもかかわらず、Hermitian directはBlochより優れており、CFGでは、境界効果の増幅によるランキングの逆である。 エンドツーエンドのトレーニングでは、より良い条件付きパラメータ化がより早く収束し、CFGが存在しない場合に高い忠実性を達成することが確認される。 今後のQSTメソッド設計をガイドするための実用的な選択ガイドラインを提供する。

関連論文リスト

• Symmetry Constraints Regularize Neural Quantum State Learning [0.5863360388454261]
  ハミルトン対称性を変分パラメータ化に直接埋め込むことは、この学習問題を幾何学的に正則化することを示す。 ボルツマン族 NQS に対して、局所パウリ-$Z$ジェネレータを物理幾何学軌道に沿って結び付けることで対称性を強制する。 この枠組みは、高品質で低エネルギーの解に対応する物理的にアクセス可能な状態空間の分数を評価する。
  論文  参考訳（メタデータ） (2026-08-09T16:23:06Z)
• Regularize or Localize: When Training-Time KV-Cache Geometry Pays Under Quantization [7.954260884574662]
  シグレグは3対の種子に対して、隠れ状態のペアワイズ対異方性(英語版)を38%値下げる。 しかし、継続トレーニング中にSigregを直接KとVに適用すると、平均キャッシュ異方性は4つのチェックポイントで94%削減される。
  論文  参考訳（メタデータ） (2026-07-19T01:13:09Z)
• Extending the Bloch sphere model to an N-qubit system [63.01002236320087]
  本稿では,ブロッホ球面表現を任意の$N$-qubit系に拡張する新しい幾何学モデルを提案する。 純粋な2-量子状態は3つの球面によって一意に記述される。
  論文  参考訳（メタデータ） (2026-07-06T12:14:04Z)
• A Reproducible Pipeline for Symmetry-Respecting Excited States on Near-Term Quantum Computers: The H2O/STO-3G Case [0.0]
  変分励起状態量子アルゴリズムは、通常孤立して研究される理由により失敗する。 これらを1つの再現可能なパイプラインにまとめて、正確な対角化に対するすべてのクレームをチェックします。 この作業は、新しいメソッドではなく、教育とベンチマークのリファレンスであり、すべてのコード、パラメータ、フィギュアがリリースされる。
  論文  参考訳（メタデータ） (2026-06-26T14:30:39Z)
• Hamiltonian-Guided Leverage Embedding: Robust Subspace Compression for Efficient QAOA Parameter Estimation [6.1401581501410085]
  このアルゴリズムは、短期量子デバイスを最適化するためのハイブリッド量子古典的フレームワークである。 低エネルギーの量子サンプルをイジング行列に符号化し、圧縮する。
  論文  参考訳（メタデータ） (2026-06-05T19:47:28Z)
• Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
  未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。 既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
  論文  参考訳（メタデータ） (2026-05-27T14:02:20Z)
• Intrinsic Wasserstein Rates for Score-Based Generative Models on Smooth Manifolds [61.14405512940818]
  Scoreベースの生成モデルは高次元空間で訓練されていることを示す。 有限固有アンカーとガウス・ニュートンによる最も近い射影座標のReLU実装を用いる。
  論文  参考訳（メタデータ） (2026-05-15T10:20:05Z)
• Breaking the Entanglement-Structure Trade-off: Many-Body Localization Protects Emergent Holographic Geometry in Random Tensor Networks [0.7310043452300737]
  ランダムテンソルネットワーク(RTN)における「絡み合い幾何学的重力」連鎖について検討する。 多体局在は、創発的なホログラフィック幾何学を熱化から保護するメカニズムである。 古典的なセルオートマトンとの比較により、MBLは量子モノガミーによって課される絡み合い構造のトレードオフをユニークに破ることが明らかになった。
  論文  参考訳（メタデータ） (2026-04-06T11:20:08Z)
• Fine-grained Analysis of Stability and Generalization for Stochastic Bilevel Optimization [71.33048115652474]
  バイレベル最適化(SBO)は、最近多くの機械学習パラダイムに統合されている。 本稿では,二段階最適化手法の体系的解析について述べる。 結果は再読解を必要とせず、より汎用的な目的関数に適用できる。
  論文  参考訳（メタデータ） (2026-04-05T12:12:58Z)
• Adaptive regularization parameter selection for high-dimensional inverse problems: A Bayesian approach with Tucker low-rank constraints [1.6936594801109557]
  高次元空間からタッカー分解による低次元コアテンソル空間への変分推論を変換することにより、計算複雑性を低減する。 鍵となる革新は、異方性構造に対する適応正則化を可能にするモードごとの精度パラメータの導入である。 この手法は110,000の変数を持つ問題にスケールし、従来の手法を0.73-2.09dB、熱伝導率6.75dBで上回っている。
  論文  参考訳（メタデータ） (2026-03-17T02:23:44Z)
• Regularized Online RLHF with Generalized Bilinear Preferences [68.44113000390544]
  一般的な嗜好を伴う文脈的オンラインRLHFの問題を考える。 一般化された双線形選好モデルを用いて、低ランクなスキュー対称行列による選好を捉える。 グリーディポリシーの双対ギャップは推定誤差の正方形によって有界であることを示す。
  論文  参考訳（メタデータ） (2026-02-26T15:27:53Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• On the Sparsifiability of Correlation Clustering: Approximation Guarantees under Edge Sampling [6.908972852063454]
  相関クラスタリング(CC)は基本的な教師なし学習プリミティブである。 LPベースの保証を維持するためには,どの程度のエッジ情報が必要であるかを検討する。 ヤオのミニマックス原理を通して、擬距離構造がなければ、任意のアルゴリズムが$o(n)$一様ランダムエッジを観測すると近似比が生じることを示す。
  論文  参考訳（メタデータ） (2026-02-14T09:12:15Z)
• Provably Efficient Algorithms for S- and Non-Rectangular Robust MDPs with General Parameterization [85.91302339486673]
  我々は、s-正方形および非正方形不確実性集合の下で、一般的な政策パラメータ化を伴うロバストマルコフ決定過程(RMDP)について検討する。 無限状態空間に拡張する一般政策パラメタライゼーションに対する新しいリプシッツ・リプシッツ・スムースネス特性を証明した。 本研究では,S-正方形不確かさに対する勾配降下アルゴリズムと非正方形不確かさに対するFrank-Wolfeアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2026-02-11T21:44:20Z)
• Revisiting Weighted Strategy for Non-stationary Parametric Bandits and MDPs [56.246783503873225]
  本稿では,非定常パラメトリックバンディットの重み付け戦略を再考する。 本稿では,ウィンドウ/リスタートベースアルゴリズムと同様に,より単純な重みに基づくアルゴリズムを提案する。 我々のフレームワークは、他のパラメトリックバンディットの後悔の限界を改善するのに使える。
  論文  参考訳（メタデータ） (2026-01-03T04:50:21Z)
• Robust inverse material design with physical guarantees using the Voigt-Reuss Net [0.0]
  本稿では, ハード物理保証を伴う前方および逆機械的均質化のためのスペクトル正規化サロゲートを提案する。 バイファシック・マイクロ構造のオープンデータセット上の3次元線形弾性では、完全に接続されたVoigt-Reussネットは、236のイソトロピーインディスクリプタを持つFFTベースのラベルでトレーニングされている。 全体として、Voigt-Reussネットは、大バッチで制約に一貫性のある逆設計で正確で物理的に許容できる前方予測を統一する。
  論文  参考訳（メタデータ） (2025-11-14T15:17:37Z)
• Provable Non-Convex Euclidean Distance Matrix Completion: Geometry, Reconstruction, and Robustness [8.113729514518495]
  ユークリッド距離行列補完問題は、センサーネットワークの局所化、分子ロバスト性、多様体学習など、幅広い応用で発生する。 本稿では,正半定値グラム行列の空間上の低ランク行列補完タスクを提案する。 利用可能な距離の測定は非直交基底で拡張係数として符号化され、グラム行列の最適化は非負性や三角形の不等式を通じて暗黙的に幾何的整合を強制する。
  論文  参考訳（メタデータ） (2025-07-31T18:40:42Z)
• Memory-Efficient 4-bit Preconditioned Stochastic Optimization [53.422307389223626]
  シャンプーのプリコンディショナーに4ビット量子化を導入する。 我々の知る限り、これはプレコンディショナーのチョレスキー因子に適用された最初の量子化手法である。 Cholesky量子化とエラーフィードバックを組み合わせることで、メモリ効率とアルゴリズム性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-12-14T03:32:54Z)
• Data-free Weight Compress and Denoise for Large Language Models [96.68582094536032]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• Dimensionally Consistent Learning with Buckingham Pi [4.446017969073817]
  支配方程式がない場合、次元解析は物理系における洞察を抽出し対称性を見つけるための堅牢な手法である。 本研究では,非次元群を検出するために,可観測データの対称構造と自己相似構造を用いる自動手法を提案する。 我々はバッキンガム・パイの定理を制約として利用する3つのデータ駆動手法を開発した。
  論文  参考訳（メタデータ） (2022-02-09T17:58:00Z)

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。