論文の概要: Genuine multipartite nonlocality detection in graph states

• arxiv url: http://arxiv.org/abs/2610.13609v1
• Date: Fri, 09 Oct 2026 13:55:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.60999
• Title: Genuine multipartite nonlocality detection in graph states
• Title（参考訳）: グラフ状態における遺伝子多部非局所性検出
• Abstract要約: GMNL相関を検知し,GMNL検出において異なる実験ハードルに対処できる2種類の多部ベル不等式を提案する。 両方の不等式はグラフ状態のGMNLを検出するために構成され、実際はグラフ状態の自己検査や実行された測定に使用することができる。
• 参考スコア（独自算出の注目度）: 0.1223474232275842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Experimental detection of multipartite Bell nonlocality faces many challenges. The increase in the size of the system demands a higher fidelity of state preparation, a higher detection efficiency, and a larger number of correlators that need to be estimated. These issues are even more pronounced if one wishes to detect a more restrictive variant of Bell nonlocality called genuine multipartite nonlocality (GMNL). In this work, we introduce two classes of multipartite Bell inequalities that are capable of detecting GMNL correlations and address different experimental hurdles in GMNL detection. The first class consists of the number of correlators that scales linearly with the number of parties. The second class increases the number of correlators and, in return, provides higher noise robustness of GMNL detection. Both classes of inequalities are constructed to detect GMNL in graph states, and in fact both can be used for self-testing of graph states and the performed measurements.
• Abstract（参考訳）: マルチパーティイトベル非局所性の実験的検出は多くの課題に直面している。 システムのサイズが大きくなると、状態準備の忠実度が高くなり、検出効率が良くなり、見積もる必要のあるコレレータの数が増える。 これらの問題は、真の多部非局所性 (GMNL) と呼ばれるベル非局所性のより制限的な変種を検出したい場合、さらに顕著である。 本研究では,GMNLの相関を検知し,GMNL検出における異なる実験ハードルに対処できる2種類の多部ベル不等式を紹介する。 最初のクラスは、パーティの数と線形にスケールする相関子数で構成される。 第2のクラスは、相関器の数を増やし、その代わりにGMNL検出のノイズロバスト性を高める。 両方の不等式はグラフ状態のGMNLを検出するために構成され、実際はグラフ状態の自己検査や実行された測定に使用することができる。

関連論文リスト

• Multi-copy and Catalytic Superactivation of Genuine Multipartite Nonlocality [0.0]
  Genuine multipartite Bell nonlocality (GMNL) は、世界規模でベル非局所である多くの遠方の観測者間の相関を捉えることを目的としている。 ここでは,GMNLのスーパーアクティベーションの効果を明らかにする。
  論文  参考訳（メタデータ） (2026-09-07T11:57:52Z)
• How Likely Are You to Observe Non-locality with Imperfect Detection Efficiency and Random Measurement Settings? [0.0]
  不完全な検出効率は、遠距離でループホールのないベル試験を行う際の大きな障害の1つとして残っている。 本研究では,限定検出効率がHaarランダム測定設定によるベルの不等式発生確率に及ぼす影響について検討した。 ベル不等式違反のいわゆる典型性は,検出効率が制限された場合でも有効であることを示す。
  論文  参考訳（メタデータ） (2025-03-27T14:08:50Z)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Single Bell inequality to detect genuine nonlocality in three-qubit genuinely entangled states [0.0]
  ベルの不等式の新しい一般的な構成は、量子状態における真の多部非局所性(GMNL)の検出を可能にする。 GMNLの検出において,より厳密なベル不等式を実現するために,簡単な方法でこの構造を改善する方法を示す。 注目すべきは、改良されたベルの不等式の一つが、3ビットの真に絡み合った状態ごとにGMNLを検出するのに十分強力であることを証明したことである。
  論文  参考訳（メタデータ） (2024-06-20T07:53:49Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Detecting Bell correlations in multipartite non-Gaussian spin states [0.0]
  少体相関器を含む多変量不変ベル不等式(PIBI)を導入する。 既知の不等式と比較すると、これらは高いノイズロバスト、または非ガウススピン状態におけるベル相関を検出する能力を示す。 我々は、この探索問題を、所望の形式のPIBIを探すのに必要な制約を埋め込んだ半定プログラムとして定式化する。
  論文  参考訳（メタデータ） (2023-03-23T17:57:05Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Experimental violations of Leggett-Garg's inequalities on a quantum computer [77.34726150561087]
  単一および多ビット系におけるLeggett-Garg-Bellの不等式違反を実験的に観察する。 本分析では, 量子プラットフォームの限界に注目し, 上記の相関関数は, 量子ビットの数や回路深さが大きくなるにつれて, 理論的予測から逸脱することを示した。
  論文  参考訳（メタデータ） (2021-09-06T14:35:15Z)
• On Graph Neural Networks versus Graph-Augmented MLPs [51.23890789522705]
  Graph-Augmented Multi-Layer Perceptrons (GA-MLPs)は、まずグラフ上の特定のマルチホップ演算子でノード機能を拡張する。 我々は,GA-MLPとGNNの表現力の分離を証明し,指数関数的に成長することを示す。
  論文  参考訳（メタデータ） (2020-10-28T17:59:59Z)

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。