論文の概要: Optimal Tolerant Testing of Lindbladian Dissipation
- arxiv url: http://arxiv.org/abs/2609.38160v1
- Date: Tue, 29 Sep 2026 17:59:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.828506
- Title: Optimal Tolerant Testing of Lindbladian Dissipation
- Title（参考訳）: Lindbladian Dissipation の最適耐性試験
- Abstract要約: 量子ノイズを制御し、開系力学を特徴づけるためには、散逸の定量化が不可欠である。
我々は、このタスクを全進化時間で解くアルゴリズムを提示する。
これにより、消散テストが寛容な設定に拡張され、境界度要件が不要になる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantifying dissipation is essential for controlling quantum noise and characterizing open-system dynamics. In practical experimental settings, residual noise may still persist despite efforts to suppress it, making it important to determine whether the dissipative strength remains within a prescribed tolerance threshold. We study this question for an unknown, time-independent Lindblad generator with bounded strength, where the jump operators are local but with unrestricted overlap, using only memoryless forward-evolution access. The task is to distinguish dissipative strength of at most $\varepsilon_1$ from strength of at least $\varepsilon_2$, for $0 \leq \varepsilon_1 < \varepsilon_2$, measured in the canonical dissipator's normalized Frobenius norm. We give an algorithm that solves this task in total evolution time $O(\varepsilon_2/(\varepsilon_2-\varepsilon_1)^2)$ for all nontrivial thresholds, with constant success probability, and provide a matching lower bound $Ω(\varepsilon_2/(\varepsilon_2-\varepsilon_1)^2)$ that establishes optimality even for adaptive protocols. This extends dissipation testing to the tolerant setting and eliminates the bounded-degree requirement, making the framework applicable to a broader range of experimentally relevant settings.
- Abstract（参考訳）: 量子ノイズを制御し、開系力学を特徴づけるためには、散逸の定量化が不可欠である。
実用実験では, 消音強度が所定の許容しきい値内に留まっているかどうかを判断することが重要であるが, 残音は抑制の努力にもかかわらず継続する可能性がある。
本研究では,ジャンプ演算子が局所的だが制限のない重なりを持つ有界強度を持つ未知の時間非依存のリンドブラッド生成器について,メモリレス前方進化アクセスのみを用いて検討する。
この課題は、少なくとも$\varepsilon_1$の散逸強度を、標準散逸器の正規化フロベニウスノルムで測定された$0 \leq \varepsilon_1 < \varepsilon_2$の少なくとも$\varepsilon_2$の強度と区別することである。
我々は、このタスクを全進化時間$O(\varepsilon_2/(\varepsilon_2-\varepsilon_1)^2)$で解くアルゴリズムを、一定の成功確率で全ての非自明なしきい値に対して与え、適合する下限の$Ω(\varepsilon_2/(\varepsilon_2-\varepsilon_1)^2)$を提供する。
これにより、消散テストが寛容な設定に拡張され、境界度要件が不要になるため、フレームワークは幅広い実験的な設定に適用できる。
関連論文リスト
- Stability-Constrained Approximation in Spline KANs: Exact Layer Balancing and Budget-Compatible Saturation [51.56484100374058]
我々は、ハードレイヤーワイドリプシッツ予算の下で近似を研究する。
構成条件下では、対応するレイヤエラーをキャンセルする必要はないことを示す。
クラスのすべての作用素に対して、安定した深さ-$L$タワーが存在し、累積誤差の定数分を実現できる。
論文 参考訳（メタデータ） (2026-09-14T20:17:04Z) - 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) - 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) - Polynomial Context-Truncation Sensitivity in Autoregressive Language Models: Sequential Wyner-Ziv Bounds for KV Cache Compression [0.0]
自己回帰言語モデルにおけるオンラインKVキャッシュ圧縮の速度歪み限界について検討する。
我々は,次点分布の文脈乱れに対する感受性が,エンフェロメトリーよりもエフェロメトリー的に崩壊することを発見した。
論文 参考訳（メタデータ） (2026-05-24T13:54:13Z) - Adaptive Confidence Intervals in Efron's Gaussian Two-Groups Model [28.636700996382558]
敵のノイズに満ちた性質により、Efronのガウス的二群分数モデルにおいて、ヌル位置パラメータ$$に対する信頼区間を研究する。
信頼区間の最小最適長を、未知の割合の汚染と全てのノイズに満ちた敵に対して、所定のカバレッジレベルで特徴付ける。
論文 参考訳（メタデータ） (2026-04-28T22:40:54Z) - Stochastic Trust-Region Methods for Over-parameterized Models [3.1231899978018824]
本稿では,手動のステップサイズチューニングを排除し,平等に制約された問題に自然に拡張する信頼領域統合フレームワークを提案する。
制約のない最適化のために、1次信頼領域アルゴリズムを開発し、$O(varepsilon-2 log (1/varepsilon)$の1次オラクル複雑性を実現し、$varepsilon$-stationary点を求める。
等式制約問題に対して、ペナルティパラメータが$$$の2次ペナルティに基づく信頼領域法を導入し、反復とオラクルの複雑さを$O()で確立する。
論文 参考訳（メタデータ） (2026-04-15T15:57:34Z) - Towards a Sharp Analysis of Offline Policy Learning for $f$-Divergence-Regularized Contextual Bandits [49.96531901205305]
我々は$f$-divergence-regularized offline policy learningを分析する。
逆Kullback-Leibler (KL) の発散に対して、単極集中性の下での最初の$tildeO(epsilon-1)$サンプル複雑性を与える。
これらの結果は,$f$-divergence-regularized policy learningの包括的理解に向けて大きな一歩を踏み出したものと考えられる。
論文 参考訳（メタデータ） (2025-02-09T22:14:45Z) - Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。
本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文 参考訳（メタデータ） (2024-04-29T15:04:07Z) - Learning Halfspaces with Tsybakov Noise [50.659479930171585]
テュバコフ雑音の存在下でのハーフスペースの学習可能性について検討する。
真半空間に関して誤分類誤差$epsilon$を達成するアルゴリズムを与える。
論文 参考訳（メタデータ） (2020-06-11T14:25:02Z)
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。