論文の概要: Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation
- arxiv url: http://arxiv.org/abs/2608.24668v2
- Date: Wed, 26 Aug 2026 13:06:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.244128
- Title: Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation
- Title（参考訳）: 確率的テンソルネットワークシミュレーションによるスケーラブルなリンドブラッド雑音学習
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 48.887627688666974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning dissipation rates in large-scale open quantum systems is a major obstacle for near-term quantum technologies, as existing Lindblad estimation methods are typically limited to small system sizes due to the computational complexity of repeatedly solving the Lindblad equation during optimization. Here, we propose a scalable noise-learning framework for Lindblad dissipation rates that combines a stochastic simulation method, the Tensor Jump Method (TJM), with gradient-free optimization of a least-squares cost-function defined on time series of local-observable expectation values. We demonstrate the approach on two noise models in the Ising model: a site-resolved (local) model, in which independent dissipation rates are learned for each site up to $N_{\mathrm{site}}=16$, and a spatially homogeneous (global) model with only seven parameters, scaled to $N_{\mathrm{site}}=160$ sites.We complement these numerical results with a series of exact, provable guarantees: the Frobenius variance of the TJM density-matrix estimator is shown to equal $(1-\mathrm{Tr}[ρ^2])/N_{\mathrm{traj}}$, an exact purity-based characterization of the stochastic estimation error; the corresponding purity evolution is proven to be monotonically non-increasing for Hermitian jump operators; and, under a finite covariance distance assumption, the standard deviation of the cost-function is shown to decrease with system size, so that fewer trajectories are needed to reach a fixed target accuracy as the system grows. Together, this combination of scalable numerics and rigorous theoretical guarantees positions TJM-based noise learning as a practical foundation for characterizing dissipation in large quantum devices and for guiding future work on error mitigation and quantum error correction.
- Abstract（参考訳）: 大規模オープン量子系の学習散逸速度は、最適化中にリンドブラッド方程式を何度も解く計算の複雑さのため、既存のリンドブラッド推定法は一般に小さなシステムサイズに制限されるため、短期量子技術の大きな障害である。
本稿では,確率的シミュレーション手法であるTensor Jump Method (TJM)と局所観測可能な予測値の時系列上で定義された最小2乗のコスト関数の勾配のない最適化を組み合わせた,リンドブラッド散逸率のスケーラブルな雑音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する: サイト分解(局所)モデル、各サイトについて独立散逸率を最大$N_{\mathrm{site}}=16$、空間的に均質な(グローバル)モデルで7つのパラメータのみをスケールした$N_{\mathrm{site}}=160$、これらの数値結果を正確に証明可能な保証で補完する: TJM密度行列推定器のフロベニウス分散は$(1-\mathrm{Tr}[ρ^2])/N_{\mathrm{traj}}$、確率推定の真正性に基づくキャラクタリゼーションである。
スケーラブルな数値と厳密な理論的保証を組み合わせることで、TJMベースのノイズ学習は、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なり、エラー軽減と量子誤り訂正の今後の取り組みを導くことができる。
関連論文リスト
- Risk-Sensitive Reinforcement Learning with Smoothed Quantile Objectives [2.153824429735596]
モデルに基づく楽観的学習アルゴリズムを開発し、遷移カーネルの信頼セットと低バッファの量子化基準を用いて計画する。
チューリング時間短縮の下で, 正確な点量子化評価と, 正確な低バッファ化量子化評価がPPハードであることを証明する。
論文 参考訳（メタデータ） (2026-08-23T05:41:32Z) - From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。
最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。
次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文 参考訳（メタデータ） (2026-07-10T20:59:06Z) - Thinned Mean Field Langevin Dynamics [25.786764617149235]
MFLD(Mean-field Langevin dynamics)はこの一般的な文脈での計算を容易にする。
我々は,各粒子が$mathcalO(Nfrac12)$の薄い粒子コアセットのみと相互作用するtextttKT-MFLDを提案する。
論文 参考訳（メタデータ） (2026-05-27T15:10:34Z) - Hybrid Iterative Neural Low-Regularity Integrator for Nonlinear Dispersive Equations [0.0]
HIN-LRIは、古典的な数値解法をニューラルネットワークで拡張し、解法の構造化トランケーション誤差を補正するハイブリッドフレームワークである。
低次元の潜在多様体上で動作する軽量ニューラルネットワークは、分析手法が閉じられない残留欠陥を学習する。
実験により、HIN-LRIは解析的、分割的手法、神経的PDEサロゲートよりも精度を向上し、安定した空間的精細化、効果的なアウト・オブ・ディストリビューション転送、オンラインオーバーヘッドを緩和することが示された。
論文 参考訳（メタデータ） (2026-05-06T12:50:36Z) - Runtime-efficient zero-noise extrapolation from mixed physical and logical data [0.0]
部分量子エラー補正と量子エラー軽減は、前フォールト-トレラント状態において共存することが期待されている。
本稿では,少数の誤り訂正データ点を含む混合データセットから構築したゼロノイズ外挿について検討する。
論文 参考訳（メタデータ） (2026-04-16T13:42:05Z) - Regularized Random Fourier Features and Finite Element Reconstruction for Operator Learning in Sobolev Space [0.7734726150561088]
カーネルベースの演算子学習は、標準的な方法よりも少ないトレーニングを必要とする正確で理論上正当化された近似を提供することができる。
有限要素再構成マップ(RRFF-FEM)と組み合わせた正規化ランダムフーリエ特徴量(RRFF)手法を提案する。
RRFF と RRFF-FEM は雑音に対して頑健であり,非正規化ランダム特徴モデルと比較してトレーニング時間を短縮し,性能の向上を図っている。
論文 参考訳（メタデータ） (2025-12-19T18:36:24Z) - Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。
速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
論文 参考訳（メタデータ） (2025-12-01T05:14:25Z) - Dynamically Optimal Unraveling Schemes for Simulating Lindblad Equations [5.556367784464714]
ブラウン運動やポアソン過程によって駆動される未発見スキームの包括的パラメトリック特性について述べる。
我々は動的最適量子状態拡散(DO-QSD)と動的最適量子ジャンププロセス(DO-QJP)を解析的に導出した。
その結果,提案手法は観測値のばらつきとシミュレーション誤差を著しく低減できる可能性が示唆された。
論文 参考訳（メタデータ） (2025-09-24T08:36:47Z) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳（メタデータ） (2023-06-13T01:18:16Z)
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。