論文の概要: Classical simulation of amplitude-damped bucket-brigade quantum random access memories via predictable branch evolution
- arxiv url: http://arxiv.org/abs/2609.34935v1
- Date: Mon, 28 Sep 2026 11:32:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:39:16.813776
- Title: Classical simulation of amplitude-damped bucket-brigade quantum random access memories via predictable branch evolution
- Title（参考訳）: 予測可能な分岐進化による振幅減衰バケット・ブリガド量子ランダムアクセスメモリの古典シミュレーション
- Abstract要約: 我々は、量子ビット符号化と量子ビット符号化の両方に対して、バケット・ブリガドQRAMシミュレーションにおける減衰チャネル予測の完全な説明を与える。
結果として得られるアルゴリズムは、悪いブランチと1つの参照ブランチのみを進化させ、置き換える完全な進化と他のコストをすべて共有する。
これは、pruned-over-fullのスピードアップを最大285タイムで行うエンドツーエンドのベンチマークと、すべてのクローズドフォームをマシン精度で確認するトラジェクトリレベルのテストによって検証される。
- 参考スコア（独自算出の注目度）: 5.281618722143339
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Classical simulation of quantum random access memory (QRAM) under noise can be accelerated dramatically by branch pruning: noise histories are sampled as trajectory ensembles, and good branches, whose routing paths avoid every sampled fault, need not be evolved because their final states are analytically predictable. Under amplitude damping this predictability is not automatic, because the no-jump operator $K_0$ acts on every branch at every time slice. Here we give a complete account of damping-channel predictability in bucket-brigade QRAM simulation, for both qutrit and qubit encodings. For the qutrit encoding, $K_0$ is diagonal in the node basis, and the wait state $|W\rangle$ is its fixed point, so a good branch follows the noiseless orbit up to a scalar attenuation. In the qubit encoding, phase-kickback memory fetching between two Hadamard walls makes $K_0$ no longer diagonal, yet the resulting structure is exactly solvable in closed form. Conditional on no jump, the in-branch infidelity of a good branch is second order in the damping rate $γ$, with coherent leakage $\sim n^2γ^2/4$ per data qubit, and the closed form captures it without approximation. We also revise the pruning criterion for the qubit encoding. The resulting algorithm evolves only the bad branches plus one reference branch and shares every other cost with the full evolution it replaces. It is validated by end-to-end benchmarks with pruned-over-full speedups up to $285\times$ and by trajectory-level tests confirming every closed form to machine precision.
- Abstract（参考訳）: 量子ランダムアクセスメモリ(QRAM)の古典的なシミュレーションは、分岐プルーニングによって劇的に加速することができる: ノイズ履歴は軌跡アンサンブルとしてサンプリングされる。
なぜなら、no-jump演算子$K_0$は、スライス毎に各ブランチに作用するためである。
ここでは、量子ビット符号化と量子ビット符号化の両方に対して、バケットブリガドQRAMシミュレーションにおける減衰チャネル予測の完全な説明を行う。
量子ビット符号化では、$K_0$ はノード基底で対角であり、待機状態 $|W\rangle$ はその固定点であり、良い分岐はノイズのない軌道をスカラー減衰まで追従する。
qubitエンコーディングでは、2つのアダマールの壁の間の位相キックバックメモリは、もはや対角的ではないが、結果として得られる構造は、完全に閉じた形で解決可能である。
ジャンプしない条件では、良い分岐の分岐不忠実度はダンピングレート$γ$の第2次であり、コヒーレントリークは$\sim n^2γ^2/4$であり、クローズドフォームは近似なしでそれをキャプチャする。
また、qubitエンコーディングのプルーニング基準を改訂する。
結果として得られるアルゴリズムは、悪いブランチと1つの参照ブランチのみを進化させ、置き換える完全な進化と他のコストをすべて共有する。
これは、pruned-over-fullのスピードアップを最大285\times$まで行うエンドツーエンドのベンチマークと、すべてのクローズドフォームをマシン精度に確認するトラジェクトリレベルのテストによって検証される。
関連論文リスト
- How Wrong Can a Good Predictor Be? Diverging Updates with Vanishing Predictive KL [8.929322780616545]
更新写像の間の非有界なギャップは、定常対称ガウス HMM において、固定有限$Kge2$ に対して消滅する予測的 KL と共存することができる。
この構成は$K$で固定されており、圧縮が無害である場合や内部のギャップがタスク損失を発生させる必要がある場合の普遍的な基準を提供していない。
論文 参考訳（メタデータ） (2026-09-10T06:22:53Z) - Constrained Online Learning with Noisy Constraint Values [55.29259818039367]
一般的な実現可能性の下では、我々のLEDGERアルゴリズムは、期待される損失$O(sqrt T)と期待される予算違反$O(sqrtTlog(eT))を達成します。
スレーター条件、フィードバックチャネル間の独立性、絶対的制約値境界は不要である。
論文 参考訳（メタデータ） (2026-09-07T01:38:41Z) - Spectral-Guided Diffusion: Accelerating Inference via Static Spectral Layer Scheduling [6.908972852063454]
SCR/フロベニウスは、ランダム、深さ、ノルム、安定ランク、およびフロベニウスの安定ランクスケジュールよりも品質を保っていることを示す。
SCR/フロベニウスはレイヤーステップの予算で、ランダム、深さ、ノルム、安定なランク、安定なランクのスケジュールよりも品質を保っている。
論文 参考訳（メタデータ） (2026-08-24T17:43:01Z) - Dirichlet Process Mixtures of Trees with Gaussian Process Splits: A Bayesian Nonparametric Framework with Posterior Contraction Rate [0.9176056742068814]
本稿では,ディリクレ過程に先行する回帰木の非パラメトリック混合法を提案する。
各端末ノード内のガウス過程の後方予測によって駆動される新しい分割規則は、柔軟で滑らかな決定境界を生成する。
QSAR毒性、犯罪、リボフラビン、小麦ゲノム学、空気質への応用は、信頼性の高い信頼区間と自動間隔を確認する。
論文 参考訳（メタデータ） (2026-08-22T08:47:23Z) - Cost Accounting for Reactive Computational Graphs: Exhaustive Sweeps, Sequential Mutation, and the Backward-Locality Gap [0.0]
我々は、Juliaがニューラルネットワークの計算グラフの介入をどのように扱うかを示す。
我々は、持続的な突然変異の連続の正確なコストを証明し、挿入の間を解き放たない。
また、バッチアプリケーションがどのように順序非依存でサブ付加的であるかを示す。
論文 参考訳（メタデータ） (2026-07-18T00:53:22Z) - What Does a Discrete Diffusion Model Learn? [71.03603607324338]
離散拡散モデルは、デノイザ、スコア比、ブリッジプラグイン予測器などを学ぶ。
まず, 連続時間マルコフ連鎖 (CTMC) ELBO の任意のノイズ発生過程に対する厳密な導出から始める。
すべてのアイデンティティは、正確に解けるモデル上で近似なしで数値的に検証される。
論文 参考訳（メタデータ） (2026-07-06T17:56:11Z) - Sharp Capacity Thresholds in Linear Associative Memory: From Winner-Take-All to Listwise Retrieval [59.859592671274704]
$dtimes d$ リニアメモリストアはいくつのキー値アソシエーションが可能ですか?
この答えは、メモリマトリックスの$d2$自由度だけでなく、検索基準にも依存する。
論文 参考訳（メタデータ） (2026-05-06T17:53:20Z) - Temporal Memory for Resource-Constrained Agents: Continual Learning via Stochastic Compress-Add-Smooth [0.0]
シーケンシャルに動作するエージェントは、固定メモリ予算の下で、古い経験を忘れずに新しい経験を取り入れなければならない。
本稿では,メモリをパラメータベクトルではなくプロセスとするフレームワークを提案する。
このフレームワークは連続学習の完全な分析的イジングモデル’を提供し、数学的精度でそのメカニズム、速度、形態を研究できる。
論文 参考訳（メタデータ） (2026-03-31T12:04:11Z) - Stochastic Gradient Succeeds for Bandits [64.17904367852563]
エンフィスト確率勾配帯域幅アルゴリズムは,O (1/t)$レートで,エンフィグロブな最適ポリシに収束することを示す。
興味深いことに、勾配帯域アルゴリズムのグローバル収束は以前に確立されていない。
論文 参考訳（メタデータ） (2024-02-27T06:05:01Z) - Non-stationary Delayed Online Convex Optimization: From Full-information to Bandit Setting [71.82716109461967]
遅延勾配が利用できる全情報ケースに対して Mild-OGD というアルゴリズムを提案する。
ミルド-OGDのダイナミックな後悔は、順番の仮定の下で$O(sqrtbardT(P_T+1))$で自動的に束縛されることを示す。
Mild-OGDのバンディット版も開発し,損失値の遅れのみを考慮に入れた,より困難なケースについて検討した。
論文 参考訳（メタデータ） (2023-05-20T07:54:07Z) - Random quantum circuits transform local noise into global white noise [118.18170052022323]
低忠実度状態におけるノイズランダム量子回路の測定結果の分布について検討する。
十分に弱くユニタリな局所雑音に対して、一般的なノイズ回路インスタンスの出力分布$p_textnoisy$間の相関(線形クロスエントロピーベンチマークで測定)は指数関数的に減少する。
ノイズが不整合であれば、出力分布は、正確に同じ速度で均一分布の$p_textunif$に近づく。
論文 参考訳（メタデータ） (2021-11-29T19:26:28Z)
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。