論文の概要: Learning Local Fermionic Lindbladians under Parity Superselection
- arxiv url: http://arxiv.org/abs/2610.00448v1
- Date: Wed, 30 Sep 2026 17:57:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.671381
- Title: Learning Local Fermionic Lindbladians under Parity Superselection
- Title（参考訳）: 親子選択下での局所的フェルミオン性リンドブレディアンの学習
- Abstract要約: 時間に依存しないパリティ共変、$k$-mode-local Lindbladiansを$m$モードで学習する。
また、有限体積および指数尾拡大を与える。
- 参考スコア（独自算出の注目度）: 4.893896929103367
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Parity superselection forbids direct measurement of odd Majorana observables. We learn time-independent, parity-covariant, $k$-mode-local Lindbladians on $m$ modes using even preparations and measurements with uninterrupted short-time evolution. Internal markers turn odd probes into even observables, and pair measurements among three separated markers calibrate their dynamical contributions. Signed Fierz inversion recovers canonical coefficients, while semidefinite fitting yields a valid generator. For finite-range models on known bounded-degree graphs with suitable marker access and a supplied weighted-strength bound $\barα$, entrywise error $\varepsilon$ is achieved using $\widetilde{\mathcal{O}}(\barα^2\varepsilon^{-2}\log(m/δ))$ samples, without external modes or known nonzero coefficient locations. Recovery to diamond-norm error $\varepsilon$ costs an additional factor $m^2$, matching lower bounds for short-time experiments on fresh systems up to logarithmic and fixed geometric factors. Without a supplied graph, one idle ancillary mode per system mode and potentially nonlocal pair operations give total absolute coefficient error at most $\varepsilon$ per mode using $\widetilde{\mathcal{O}}_k(\barα^2\mathsf d^2m^{\lfloor k/2\rfloor}\varepsilon^{-2}\log(m/δ))$ samples, under a supplied approximate coefficient-degree bound $\mathsf d$ and controlled weak-coefficient tails. All guarantees hold with probability at least $1-δ$. For geometric models, fixed-support even observables can be predicted with logarithmic system-size sample complexity at fixed time and accuracy. We also give finite-volume and exponential-tail extensions.
- Abstract（参考訳）: Parity superselection forbids direct measurement of odd Majorana observables。
時間非依存、パリティ共変、$k$mode-local Lindbladians を $m$ モードで学習する。
内部マーカーは、奇妙なプローブを観測可能なものにし、3つの分離マーカーのペア測定によって、それらのダイナミックな寄与を校正する。
符号付きフィエルツ反転は正準係数を回復し、半定フィッティングは有効な生成子を生成する。
適切なマーカーアクセスと供給された重み付き束縛$\barα$に対して、エントリーワイドエラー$\varepsilon$は、外部モードや既知の非ゼロ係数位置なしで、$\widetilde{\mathcal{O}}(\barα^2\varepsilon^{-2}\log(m/δ))$サンプルを用いて達成される。
ダイヤモンドノルム誤差への回復$\varepsilon$は、対数的および固定幾何的要因までの新システムの短時間実験のための下限と一致する、追加の係数$m^2$である。
供給されたグラフがなければ、システムモードごとのアイドル補助モードと、潜在的に非局所的なペア演算は、最大$\varepsilon$ per modeで総絶対係数誤差を与える: $\widetilde{\mathcal{O}}_k(\barα^2\mathsf d^2m^{\lfloor k/2\rfloor}\varepsilon^{-2}\log(m/δ))$ sample, under a supplied approximate coefficient-degree bound $\mathsf d$ and control weak-coefficient tails。
すべての保証は少なくとも1-δ$の確率で成立する。
幾何モデルでは、一定時間と精度で、対数的なシステムサイズサンプルの複雑さによって、固定サポートされた観測可能でさえ予測できる。
また、有限体積および指数尾拡大を与える。
関連論文リスト
- Provably Efficient Learning of Fermionic Correlations under Particle-Number Symmetry [1.7149364927872013]
局所フェルミオン相関の予測は、量子多体物理学における中心的な課題である。
ランダム軌道回転に基づく数保存型フェルミオンシャドウトモグラフィーの枠組みを開発する。
この研究は、フェルミオン可観測物推定のための粒子数対称性の証明可能な有効性を確立する。
論文 参考訳（メタデータ） (2026-06-29T17:40:18Z) - Robust Structure Learning of $k$-local Lindbladians [6.257768263476564]
未知の$k$-local Lindblad ジェネレータを$n$ qubitsで学習するための効率的なプロトコルを提案する。
固定$kと有界重み付き相互作用強度に対して、このプロトコルは全てのハミルトンおよび散逸性パウリ-GKSL係数をエントリワイズ精度で推定する。
我々は、不特定性をモデル化するための保証を拡張し、サンプル-複雑性の低い境界を証明した。
論文 参考訳（メタデータ） (2026-06-22T17:38:41Z) - Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。
本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文 参考訳（メタデータ） (2024-04-29T15:04:07Z) - Resource-efficient shadow tomography using equatorial stabilizer measurements [0.0]
クリフォード単位の部分集合から生成される赤道安定化器の測定値を用いた資源効率の高いシャドウトモグラフィー手法を提案する。
n$-qubitシステムの場合、赤道安定化器ベースのシャドウトモグラフィースキームは$M$observables(追加エラー$varepsilon$まで)を$mathcalO(log(M),mathrmpoly(n),1/varepsilon2)$でサンプリングできる。
ランダムな純状態とマルチキュービットグラフを用いた理論的に導いたシャドウ・トモグラフィー・サンプリングの複雑さを数値的に検証する。
論文 参考訳（メタデータ） (2023-11-24T17:33:44Z) - A Unified Framework for Uniform Signal Recovery in Nonlinear Generative
Compressed Sensing [68.80803866919123]
非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。
本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。
また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
論文 参考訳（メタデータ） (2023-09-25T17:54:19Z) - Learning a Single Neuron with Adversarial Label Noise via Gradient
Descent [50.659479930171585]
モノトン活性化に対する $mathbfxmapstosigma(mathbfwcdotmathbfx)$ の関数について検討する。
学習者の目標は仮説ベクトル $mathbfw$ that $F(mathbbw)=C, epsilon$ を高い確率で出力することである。
論文 参考訳（メタデータ） (2022-06-17T17:55:43Z) - Tight Bounds on the Hardness of Learning Simple Nonparametric Mixtures [9.053430799456587]
有限混合系における非パラメトリック分布の学習問題について検討する。
このようなモデルにおける成分分布を学習するために、サンプルの複雑さに厳密な境界を定めている。
論文 参考訳（メタデータ） (2022-03-28T23:53:48Z) - A Law of Robustness beyond Isoperimetry [84.33752026418045]
我々は、任意の分布上でニューラルネットワークパラメータを補間する頑健性の低い$Omega(sqrtn/p)$を証明した。
次に、$n=mathrmpoly(d)$のとき、スムーズなデータに対する過度なパラメータ化の利点を示す。
我々は、$n=exp(omega(d))$ のとき、$O(1)$-Lipschitz の頑健な補間関数の存在を否定する。
論文 参考訳（メタデータ） (2022-02-23T16:10:23Z) - Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。
i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
論文 参考訳（メタデータ） (2020-07-16T06:44:44Z) - Agnostic Learning of a Single Neuron with Gradient Descent [92.7662890047311]
期待される正方形損失から、最も適合した単一ニューロンを学習することの問題点を考察する。
ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。
ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。
論文 参考訳（メタデータ） (2020-05-29T07:20:35Z)
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。