論文の概要: Quantum state learning beyond approximate unitary designs

• arxiv url: http://arxiv.org/abs/2609.39994v1
• Date: Wed, 30 Sep 2026 15:45:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.987449
• Title: Quantum state learning beyond approximate unitary designs
• Title（参考訳）: 近似ユニタリ設計を超えた量子状態学習
• Abstract要約: 近似ユニタリ設計は、与えられた順序と精度にハール・ランドムのユニタリの統計を再現する。 近年の研究では、対数深度回路を用いた設計が実現されている。 たとえ指数関数的に小さな設計ミスであっても、正確な設計の学習保証を保持する必要はないことを示す。
• 参考スコア（独自算出の注目度）: 0.5522626742911786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Approximate unitary designs reproduce the statistics of Haar-random unitaries to a given order and accuracy. Recent constructions realize such designs with logarithmic-depth circuits, enabling shallow measurement protocols for various quantum state-learning tasks while preserving performance. These results raise the question of whether approximate designs can replace exact designs more generally. We show that even exponentially small design error need not preserve the learning guarantees of exact designs. This motivates deriving learning guarantees directly from the measurement circuit structure. For observable estimation with classical shadows, we prove that logarithmic-depth two-layer Clifford circuits yield an unbiased estimator matching the global Clifford variance scaling for every state and Hermitian observable. Beyond observable estimation, this bound allows shallow measurements to retain global Clifford guarantees for other tasks, including setting-efficient tomography, mixed-state metrology, and stabilizer structure learning. We complement these statistical guarantees with a compact, exact tensor-network representation of the inverse shadow channel. When measurement bases are reused, approximate unitary designs of arbitrarily high order need not uniformly match the Haar variance in the many-shot limit. For the all-to-all random two-local circuits considered, doing so requires nearly linear depth. Together, our results reveal the capabilities and limitations of shallow quantum state learning, highlighting the distinction between approximating Haar randomness and reproducing its learning guarantees.
• Abstract（参考訳）: 近似ユニタリ設計は、与えられた順序と精度にハール・ランドムのユニタリの統計を再現する。 近年の研究では、対数深度回路による設計を実現し、様々な量子状態学習タスクの浅い測定プロトコルを性能を保ちながら実現している。 これらの結果は、近似設計がより一般的に正確な設計を置き換えることができるかどうかという問題を提起する。 たとえ指数関数的に小さな設計ミスであっても、正確な設計の学習保証を保持する必要はないことを示す。 これにより、測定回路構造から直接学習が保証される。 古典的影を用いた観測可能な推定のために、対数深度2層クリフォード回路は、すべての状態とエルミート可観測値のグローバルなクリフォード分散スケーリングに一致する非偏差推定器が得られることを証明した。 観測可能な推定以外にも、この境界は、設定効率の高いトモグラフィー、混合状態メトロジー、安定化構造学習など、地球規模のクリフォード保証を維持することができる。 我々は,これらの統計的保証を,逆影チャネルのコンパクトかつ正確なテンソルネットワーク表現で補完する。 測定ベースが再利用される場合、任意に高次である近似ユニタリ設計は、多ショット限界におけるハール分散と均一に一致しない。 全て無作為な2局所回路を考えると、ほぼ線形深さを必要とする。 その結果、浅量子状態学習の能力と限界が明らかとなり、Haarランダム性の近似と学習保証の再生成の区別が強調された。

関連論文リスト

• Constant-depth global shadow estimation [5.469643093167644]
  その結果,読み出し回数が推定量に有意に適応すると,ランダム性が著しく低下することがわかった。 本研究では, 緩やかなクリフォード-IQPアンサンブルに基づく浅層位相影を導入し, 安定化状態の忠実度を効率的に推定する。 タスク適応型ランダム化は,より浅いグローバルな特徴付けプロトコルを実現することができる。
  論文  参考訳（メタデータ） (2026-09-09T16:29:43Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Closed-form analytic expressions for shadow estimation with brickwork circuits [0.4997673761305335]
  量子系の特性は古典的な影を用いて推定することができる。 ブロックワーク回路を用いた影推定のための解析式を導出する。 十分に多くの量子ビットで支持される観測可能量の推定において,サンプルの複雑さが向上することがわかった。
  論文  参考訳（メタデータ） (2022-11-17T19:01:15Z)
• Shallow shadows: Expectation estimation using low-depth random Clifford circuits [0.39583175274885335]
  本稿では、2つの既知の古典的シャドウスキームを補間する深さ変調ランダム化計測手法を提案する。 我々は、深さが n で対数的にスケールする体制に注目し、これが両方の極端スキームの望ましい性質を保持する証拠を提供する。 本稿では,古典的シャドウから観測可能量の期待値を推定する手法と,奥行き変調シャドウノルム上の上限を計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-09-26T18:01:19Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
  クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。 本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
  論文  参考訳（メタデータ） (2021-09-05T15:15:07Z)

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。