論文の概要: Quantum advantage in learning single mode bosonic channels

• arxiv url: http://arxiv.org/abs/2609.30374v1
• Date: Thu, 24 Sep 2026 18:00:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.079129
• Title: Quantum advantage in learning single mode bosonic channels
• Title（参考訳）: 単一モードボソニックチャネル学習における量子優位性
• Abstract要約: 量子リソースは物理的システムを学ぶのに必要なデータを劇的に削減することができる。 これらの利点は典型的には、問題を複雑にスケールする量子資源に依存している。 指数量子学習の利点は、固定された非絡み合った量子システム内で生まれるのか?
• 参考スコア（独自算出の注目度）: 4.209808125908589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum resources can dramatically reduce the data required to learn physical systems, with exponential improvements in sample complexity demonstrated in several quantum learning tasks. However, these advantages have typically relied on quantum resources that scale with problem complexity, most notably increasing system dimension or entanglement. This raises a fundamental question: can exponential quantum learning advantages arise within a fixed, unentangled quantum system? In this paper, we address this question by considering the learning of an unknown random-displacement distribution whose complexity is determined not by the dimensionality of the physical system, but by the Fourier resolution of its features. We show that the quantum-limited noise of vacuum probes progressively obscures high-frequency features, leading to an exponential growth in sample complexity. We establish an information-theoretic lower bound for arbitrary classical-state probes and show that squeezing overcomes this classical limit by extending the accessible Fourier bandwidth. Experimentally, we demonstrate an exponential reduction in sample complexity using squeezed vacuum probes for both binary hypothesis testing and characteristic-function reconstruction. Our results show that a single bosonic mode can exhibit exponential quantum learning advantages without entanglement or an increase in system size, identifying accessible Fourier bandwidth as a fundamentally distinct resource for quantum-enhanced learning.
• Abstract（参考訳）: 量子リソースは、物理システムを学ぶために必要なデータを劇的に削減し、いくつかの量子学習タスクで示されるサンプルの複雑さを指数関数的に改善する。 しかしながら、これらの利点は典型的には問題複雑でスケールする量子資源に依存しており、特にシステム次元の増大や絡み合いが顕著である。 指数量子学習の利点は、固定された非絡み合った量子システム内で生まれるのか? 本稿では,物理系の次元性ではなく,特徴のフーリエ分解によって,複雑性が決定される未知のランダム変位分布の学習を考慮し,この問題に対処する。 真空プローブの量子制限ノイズは、周波数特性を徐々に曖昧にし、サンプルの複雑さが指数関数的に増大することを示した。 任意の古典状態プローブに対する情報理論的下界を確立し、この古典的限界をスキーズすることで、アクセス可能なフーリエ帯域を拡張できることを示す。 実験では,2元仮説試験と特性関数再構成の両面において,真空探触子を用いて試料の複雑さを指数関数的に低減することを示した。 以上の結果から,単一ボソニックモードは,量子強化学習の基本的なリソースとして,アクセス可能なフーリエ帯域を同定し,絡み合いやシステムサイズの増加を伴わずに,指数的量子学習の優位性を示すことが示唆された。

関連論文リスト

• Demonstrating an unconditional separation between quantum and classical information resources [1.4850289280359021]
  計算処理に必要な情報資源の非条件量子優位性を実証する。 空間効率のよい古典的アルゴリズムにおいて62ビットから382ビットのメモリを必要とするタスクを構築し,12量子ビットのみを用いて解決する。 この形の量子優位性は、量子コンピューティングの新しいベンチマークを表している。
  論文  参考訳（メタデータ） (2025-09-08T22:18:27Z)
• Quantum Advantage in Learning Quantum Dynamics via Fourier coefficient extraction [1.1999555634662633]
  未知のハミルトン力学を学習する際の教師付き学習バージョンに取り組む。 本研究では,この課題が自然条件下での共通複雑性仮定の下で証明可能な指数的古典量子学習の優位性が得られることを証明した。 証明可能な保証を維持しつつ、任意の量子力学にメソッドを一般化する際の限界について議論する。
  論文  参考訳（メタデータ） (2025-06-20T15:51:27Z)
• Quantum learning advantage on a scalable photonic platform [5.788945534225034]
  物理システムの学習における量子的優位性は 未解決のフロンティアのままです 本稿では、ボゾン変位過程の確率分布を学習するための量子拡張プロトコルのフォトニック実装を提案する。 この結果から,非理想的,雑音的絡み合いであっても,連続変数量子系において有意な量子優位性を実現することができることが示された。
  論文  参考訳（メタデータ） (2025-02-11T18:52:43Z)
• Entanglement-induced provable and robust quantum learning advantages [0.0]
  我々は、ノイズロストで無条件の量子学習の利点を厳格に確立することで前進する。 我々の証明は情報理論であり、この優位性の起源を示唆している。 量子モデルは定資源で訓練可能であり、定騒音に対して頑健であることを示す。
  論文  参考訳（メタデータ） (2024-10-04T02:39:07Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• Scalable approach to many-body localization via quantum data [69.3939291118954]
  多体局在は、量子多体物理学の非常に難しい現象である。 計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。 我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
  論文  参考訳（メタデータ） (2022-02-17T19:00:09Z)
• Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
  53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。 演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
  論文  参考訳（メタデータ） (2021-01-21T22:18:49Z)

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。