論文の概要: Complexity of self-consistent entanglement certification
- arxiv url: http://arxiv.org/abs/2610.08757v1
- Date: Tue, 06 Oct 2026 17:48:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:30.15644
- Title: Complexity of self-consistent entanglement certification
- Title（参考訳）: 自己整合性絡み合い認定の複雑さ
- Abstract要約: 一般化された非コンテクスト性に基づく絡み合い認証に対する自己整合的アプローチを提案する。
このプロトコルの複雑さを有限実験で調べる。
- 参考スコア（独自算出の注目度）: 29.850754213301368
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent work Phys. Rev. X 16, 031057 (2026), we proposed a self-consistent approach to entanglement certification based on generalized noncontextuality. It requires no prior characterization of the measurement devices and, given access to all local measurements, can certify every entangled state in a Bell circuit. Here, we study the complexity of this protocol in a finite experiment. At fixed local dimension $d$, we show that the optimal number of distinct local effects needed to reach a trace-distance \textit{entanglement resolution} $γ$ is $Θ_d(γ^{-(d-1)})$. This scaling is necessary even when the measurements are tailored to the target state. Independent Haar-random projective measurements instead require $Θ_d(γ^{-(d-1)}\log(1/γ))$ effects. Finally, we show that, once the exact operational identities are known, $Θ_d(γ^{-2}\log(1/δ))$ copies of the target state are necessary and sufficient for certification with error probability at most $δ$. Determining the optimal sample complexity when those identities must instead be inferred from the same finite target-state data remains open.
- Abstract（参考訳）: 最近の作品ではPhys。
X 16, 031057 (2026) では, 一般化された非コンテクスト性に基づく絡み合い認証への自己整合的アプローチを提案した。
測定装置の事前のキャラクタリゼーションは必要とせず、すべての局所的な測定へのアクセスが与えられると、ベル回路内のすべての絡み合った状態が認証される。
本稿では,このプロトコルの複雑さを有限実験で調べる。
固定された局所次元 $d$ において、トレース距離 \textit{entanglement resolution} $γ$ に到達するのに必要な異なる局所効果の最適個数は $ _d(γ^{-(d-1)})$ であることを示す。
このスケーリングは、測定結果を目標状態に調整した場合でも必要である。
独立なハールランドム射影測度は、代わりに$ _d(γ^{-(d-1)}\log(1/γ))$効果を必要とする。
最後に、正確な操作IDが判明すると、ターゲット状態のコピーは、最大$δ$の誤差確率を持つ証明に必要で十分であることを示す。
それらのアイデンティティが同じ有限目標状態データから推論される必要があるとき、最適なサンプルの複雑さを決定することは、依然としてオープンである。
関連論文リスト
- Counterfactual Probing for Parallel Unmasking with Hidden Forest Structure [50.58119214447535]
マスク付き生成モデルは並列トークン予測を提供するが、正確な並列サンプリングはトークンを考慮しなければならない。
本研究は,発見を含む全評価がシーケンス長$N$のサブ線形であるかどうかを考察する。
本研究では, 森林構造を隠蔽した離散分布を, 固定された近似条件オラクルを通してアクセスする。
論文 参考訳（メタデータ） (2026-09-29T15:39:50Z) - Certifying fermionic Gaussian states (and a little more) with optimal precision dependence [0.5658123802733283]
我々は、$O(d2-1)$コピーを使用して任意の純粋なフェルミオンガウス状態の認証を行う適応プロトコル、コピー当たり1キュービットのみを適応的に測定したシングルキュービット計測、$O(d3)$コピー毎の古典的な処理時間を与える。
このクラスは、マッチゲート計算のための4モードの非ガウス魔法状態の連続族を含む。
論文 参考訳（メタデータ） (2026-09-23T14:57:16Z) - A Frame-Spread Lower Bound for Quantum Entropy Estimation under Fixed Rank-One Measurements [0.5076419064097734]
固定階数1の独立な結果から,$d$次元量子状態のフォン・ノイマンエントロピーを推定する。
結果は、コピー間で独立して繰り返される固定された測定、適応的および集合的プロトコル、コピー間で共通の再利用プロトコルがカバーされないことを懸念している。
論文 参考訳（メタデータ） (2026-08-25T15:44:26Z) - Provably Adaptive Linear Approximation for the Shapley Value and Beyond [73.0940890296463]
基本的で長期にわたる課題は、その効率的な近似である。
一般に用いられるすべての半値に対して$P(|hatboldsymbol-boldsymbol|_2geq)leq$を必要とする線形空間アルゴリズムを開発する。
本アルゴリズムは,各ユーティリティ関数の平均二乗誤差の明示的最小化を可能にする。
論文 参考訳（メタデータ） (2026-04-09T16:38:14Z) - Optimal Quantum State Testing Even with Limited Entanglement [13.84229509611525]
量子状態認証の基本的なタスクは、未知の量子状態のコピーが$$で、それがターゲット状態の$$と一致するか、あるいはそれから$$-farかどうかをテストすることである。
我々の主な成果は、$t$の関数として状態認証のためのスムーズなコピー複雑性上限である。
我々は、混合度テストと純度推定の関連タスクのための新しいアルゴリズムを開発するために、我々の手法を拡張し、これらの問題に対する最適なレートを$t = d2$で達成するトレードオフを示す。
論文 参考訳（メタデータ） (2026-04-08T18:01:51Z) - Instance-optimal high-precision shadow tomography with few-copy measurements: A metrological approach [2.956729394666618]
シャドウトモグラフィーの高精度化過程における試料の複雑さについて検討した。
我々は、$O(mathrmpolylog(d))$$のコピー数に一度に作用するアダプティブな測定値を使用する。
論文 参考訳（メタデータ） (2026-02-04T19:00:00Z) - The role of shared randomness in quantum state certification with
unentangled measurements [36.19846254657676]
非絡み合った量子測定を用いて量子状態認証を研究する。
$Theta(d2/varepsilon2)$コピーが必要である。
我々は固定化とランダム化の両方のための統一された下界フレームワークを開発する。
論文 参考訳（メタデータ） (2024-01-17T23:44:52Z) - Settling the Sample Complexity of Model-Based Offline Reinforcement
Learning [50.5790774201146]
オフライン強化学習(RL)は、事前収集されたデータを用いて、さらなる探索を行わずに学習する。
事前のアルゴリズムや分析は、最適なサンプルの複雑さに悩まされるか、サンプルの最適性に到達するために高いバーンインコストがかかるかのいずれかである。
モデルベース(あるいは"プラグイン")アプローチは,バーンインコストを伴わずに,最小限のサンプル複雑性を実現することを実証する。
論文 参考訳（メタデータ） (2022-04-11T17:26:19Z) - Breaking the Sample Size Barrier in Model-Based Reinforcement Learning
with a Generative Model [50.38446482252857]
本稿では、生成モデル(シミュレータ)へのアクセスを想定して、強化学習のサンプル効率について検討する。
最初に$gamma$-discounted infinite-horizon Markov decision process (MDPs) with state space $mathcalS$ and action space $mathcalA$を考える。
対象の精度を考慮すれば,モデルに基づく計画アルゴリズムが最小限のサンプルの複雑さを実現するのに十分であることを示す。
論文 参考訳（メタデータ） (2020-05-26T17:53:18Z)
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。