論文の概要: Gauge freedom and efficient algorithms for Lindbladian learning

• arxiv url: http://arxiv.org/abs/2609.35265v1
• Date: Mon, 28 Sep 2026 14:23:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 07:03:01.401443
• Title: Gauge freedom and efficient algorithms for Lindbladian learning
• Title（参考訳）: リンドブラディアン学習のためのゲージ自由度と効率的アルゴリズム
• Abstract要約: 本研究では,SPAM(State-preparation-and-measurement)ノイズの存在下でのリンドブラディアン学習の問題点について検討する。 我々は、信頼されたシングルキュービット制御で通勤する局所性保存ゲージ変換の族を特定し、リンドブラディアン成分の分類にそれを用いる。 我々のアルゴリズムは、信頼できる単一キュービット演算のみを使用し、アンシラもエンタングリング制御も必要とせず、$widetildemathcal Oleft(-2log(N/)right)$実験と、局所性と等級の連続的な進化時間を使用する。
• 参考スコア（独自算出の注目度）: 1.4929477162375069
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of learning a local Lindbladian in the presence of state-preparation-and-measurement (SPAM) noise. Although recent work has developed scalable learning algorithms under idealized access assumptions, SPAM can make distinct Lindbladians experimentally indistinguishable, thus making part of the Lindbladian fundamentally unlearnable. We give a sharp characterization of this obstruction for bounded-degree local Lindbladians. We identify a family of locality-preserving gauge transformations that commutes with trusted single-qubit control, and use it to classify Lindbladian components. For the generically gauge dependent components, we construct Lindbladians to show that they can have $Ω(1)$ uncertainty independent of system size, even after imposing complete positivity. We complement this characterization with SPAM-robust algorithms for learning every universally gauge-invariant component. Our algorithms use only trusted single-qubit operations, require neither ancillas nor entangling control, and use $\widetilde{\mathcal O}\left(ε^{-2}\log(N/δ)\right)$ experiments and total evolution time for constant locality and degree. Our guarantees allow global SPAM to become arbitrarily far from ideal as $N$ grows, requiring only nonvanishing local visibility. We also establish sufficient conditions for boundary-induced gauge invariance of additional Hamiltonian coefficients under physical positivity constraints, though learning these additional parameters in general remains an open problem. More broadly, our gauge-aware framework and SPAM-cancellation techniques offer a practical toolkit for the scalable characterization of open quantum systems.
• Abstract（参考訳）: 本研究では,SPAM(State-preparation-and-measurement)ノイズの存在下でのリンドブラディアン学習の問題点について検討する。 最近の研究では、理想的なアクセス仮定の下でスケーラブルな学習アルゴリズムが開発されているが、SPAMは異なるリンドブラディアンを実験的に区別できないものにすることができるため、リンドブラディアンを根本的に学習不能にすることができる。 境界度局所リンドブラディアンに対して、この障害の鋭い特徴を与える。 我々は、信頼されたシングルキュービット制御で通勤する局所性保存ゲージ変換の族を特定し、リンドブラディアン成分の分類にそれを用いる。 一般ゲージ依存成分に対しては、完全な正の定理を課しても、システムサイズに依存しない$Ω(1)$不確実性を持つことを示すリンドブラディアンを構成する。 この特徴を、全てのゲージ不変成分を学習するためのSPAM-robustアルゴリズムで補完する。 我々のアルゴリズムは、信頼できる単一キュービット演算のみを使用し、アンシラもエンタングリング制御も必要とせず、$\widetilde{\mathcal O}\left(ε^{-2}\log(N/δ)\right)$実験と、一定の局所性と次数に対する総進化時間を使用する。 我々の保証は、グローバルSPAMが$N$が成長するにつれて、任意に理想から遠ざかることを可能にします。 我々はまた、物理的正の制約の下で追加のハミルトン係数の境界誘起ゲージ不変性について十分な条件を確立するが、これらの追加パラメータを一般に学習することは未解決の問題である。 より広範に、我々のゲージ対応フレームワークとSPAMキャンセル技術は、オープン量子システムの拡張性評価のための実用的なツールキットを提供する。

関連論文リスト

• Local Sparsity Enables Unsupervised LLM Safety Detection [72.36186449615774]
  大規模言語モデル(LLM)のデプロイ時の安全性メソッドは、主に教師付きであり、安全でないトレーニングデータへのアクセスを前提としている。 新たな攻撃や危害のカテゴリーは定期的に発生し、そのような教師付き方式で訓練されたモデルでは捕捉されない。 本稿では,理論的正当性に支えられた局所的なSAEによる異常検出のための枠組みを提案する。
  論文  参考訳（メタデータ） (2026-09-17T12:23:04Z)
• 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$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Learning the structure of open quantum systems [1.8253425124589737]
  我々は,$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)
• Near-Optimal Learning of Local Lindbladians [8.542629891640045]
  局所リンドブラディアンをブラックボックスアクセスから物理的進化まで学習する問題について検討する。 有限時間チャネルプローブから直接構築したアルゴリズムで、未知の進化を短時間で行う。 提案アルゴリズムは,物理力学アクセスと全進化時間の両方において,学習アルゴリズムがほぼ最適であることを示す。
  論文  参考訳（メタデータ） (2026-06-18T17:48:31Z)
• Efficient and SPAM-Robust Ansatz-Free Lindbladian Learning [0.0]
  スパースタイムの古典的後処理を用いた効率的なアンザッツフリーリンドブレディアン学習アルゴリズムを提案する。 近距離デバイスにおける状態準備・測定(SPAM)ノイズの出現により,SPAMバストプロトコルを初めて導入する。 そこで我々は,SPAM雑音下で学習可能なコンポーネントを正確に同定し,ノイズの多いリンドブラディアン学習における自由度の最初の厳密な評価を行った。
  論文  参考訳（メタデータ） (2026-06-15T20:37:22Z)
• 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)
• Lindbladian reverse engineering for general non-equilibrium steady states: A scalable null-space approach [49.1574468325115]
  NESS を対象とするリンドバルディアン・マスター方程式を再構成する手法を提案する。 相関行列の核(ヌル空間)はリンドブラディアン解に対応する。 ボソニックガウスから散逸駆動の集合スピンまで、様々なシステムでこの方法を説明する。
  論文  参考訳（メタデータ） (2024-08-09T19:00:18Z)
• Training Certifiably Robust Neural Networks with Efficient Local Lipschitz Bounds [99.23098204458336]
  認証された堅牢性は、安全クリティカルなアプリケーションにおいて、ディープニューラルネットワークにとって望ましい性質である。 提案手法は,MNISTおよびTinyNetデータセットにおける最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-02T06:44:10Z)

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。