論文の概要: Quantum Spectral Estimation with Multiple Initial States: Improved Error and Cost Scaling

• arxiv url: http://arxiv.org/abs/2610.20482v1
• Date: Wed, 14 Oct 2026 16:55:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.259395
• Title: Quantum Spectral Estimation with Multiple Initial States: Improved Error and Cost Scaling
• Title（参考訳）: 複数の初期状態による量子スペクトル推定:誤差の改善とコストスケーリング
• Abstract要約: 複数の初期状態と一般化されたアダマールテストを用いた量子スペクトルと固有状態特性の推定について検討した。 初期状態ペア毎に独立して進化時間をサンプリングする新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 2.535271349350578
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study quantum spectrum and eigenstate property estimation using multiple initial states and generalized Hadamard tests. Building on the QFAMES (quantum filtering and analysis of multiplicities in eigenvalue spectra) framework, we introduce a new method that samples evolution times independently for each initial-state pair. Under the stated assumptions, when statistical error determines the sampling cost, the total Hamiltonian simulation cost required for fixed-accuracy eigenvalue and observable estimation is independent of the number of initial states, up to logarithmic factors. This improves scalability when many initial states are needed to explore the target eigenspaces. The method also reduces the cost of multiplicity recovery and retains Heisenberg-limited scaling for eigenvalue estimation. Numerical experiments support the predicted statistical error scalings.
• Abstract（参考訳）: 複数の初期状態と一般化されたアダマールテストを用いた量子スペクトルと固有状態特性の推定について検討した。 QFAMES (quantum filtering and analysis of multiplicities in eigenvalue spectra) フレームワーク上に構築し、各初期状態ペアに対して独立に進化時間をサンプリングする新しい手法を提案する。 この仮定の下では、統計的誤差がサンプリングコストを決定すると、固定精度固有値と観測可能な推定に必要なハミルトンシミュレーションコストは、対数係数まで初期状態の数に依存しない。 これにより、ターゲットの固有空間を探索するために多くの初期状態が必要な場合、スケーラビリティが向上する。 この手法は多重度回復のコストを低減し、固有値推定のためのハイゼンベルク限定スケーリングを保持する。 数値実験は予測された統計的誤差スケーリングをサポートする。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Standard Quantum Phase Estimation Detects All Eigenvalues via Randomized Initial States [0.0]
  標準QPEの出力分布は、固有モデムとの重み付けされたフェル核の重ね合わせとして記述することができる。 我々は厳密なピーク検出理論を確立し、すべてのピークを検出するのに十分なショットカウント推定を導出する。
  論文  参考訳（メタデータ） (2026-04-01T04:38:41Z)
• Heisenberg limited multiple eigenvalue estimation via off-the-grid compressed sensing [0.0]
  量子位相推定は、フォールトトレラント量子コンピュータにおける量子シミュレーションのフラッグシップアルゴリズムである。 本研究では,Emphoff-grid圧縮センシングプロトコルと最先端信号分類手法を組み合わせることで,複数の固有値の同時推定を可能にすることを示す。 このアルゴリズムは、初期入力状態の品質に関して、そのレジリエンスを分析することによって、潜在的な量子優位性をもたらすかもしれない。
  論文  参考訳（メタデータ） (2025-07-16T17:27:01Z)
• Quantum block Krylov subspace projector algorithm for computing low-lying eigenenergies [0.0]
  QBKSPは量子系の退化を含む低次エネルギーを正確に計算するために設計された多重参照量子ランツォス法である。 本稿では,要求される期待値を評価するために,異なる問題設定に適した3つの小型量子回路を提案する。
  論文  参考訳（メタデータ） (2025-06-11T17:47:22Z)
• Sample-Efficient Quantum State Tomography for Structured Quantum States in One Dimension [25.333797381352973]
  多くの物理量子状態は、効率的なQSTの開発を可能にするある種の低次元構造を示す。 制約付き最小二乗推定器を持つMPO状態の有界回復誤差を保証するための状態コピーの数は、MPOの確率分布に依存することを示す。 我々は,MPOの独立パラメータ数に比例する状態コピーが,MPOで表される状態の回復を保証するのに十分であることを証明した。
  論文  参考訳（メタデータ） (2024-10-03T15:26:26Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Fidelity and Overlap of Neural Quantum States: Error Bounds on the Monte Carlo Estimator [0.0]
  2つの神経量子状態間のオーバーラップはモンテカルロサンプリングによって計算できる。 正規化自己回帰型神経量子状態の特別な場合を別々に解析する。
  論文  参考訳（メタデータ） (2023-11-24T19:33:55Z)
• Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
  量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。 我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。 我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
  論文  参考訳（メタデータ） (2021-06-10T06:11:55Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
  我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。 本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
  論文  参考訳（メタデータ） (2020-05-22T22:30:52Z)

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。