論文の概要: Collision-aware Bayesian mitigation of photon loss in linear optical quantum circuits

• arxiv url: http://arxiv.org/abs/2610.27529v1
• Date: Tue, 20 Oct 2026 02:44:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.591901
• Title: Collision-aware Bayesian mitigation of photon loss in linear optical quantum circuits
• Title（参考訳）: 線形光量子回路における光子損失の衝突を考慮したベイズ緩和
• Abstract要約: 失われた光子はそれぞれ理想のn-光子の結果を、少ない光子を持つパターンに変える。 失われたイベントを識別することは、現実的な損失率でデータを無駄にする。 衝突状態においては、損失率と衝突パターン確率を回復する。
• 参考スコア（独自算出の注目度）: 4.88790814071304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photon loss is the dominant noise source in linear optical quantum circuits. Each lost photon turns an ideal n-photon outcome into a pattern with fewer photons, so the detector counts no longer follow the ideal output distribution, and the lossless events that do follow it become exponentially rare as the photon number grows. Discarding the lossy events (postselection) therefore wastes most of the data at realistic loss rates, and the ideal distribution has to be inferred from the lossy counts themselves. Recycling-based mitigation (Mills & Mezher, Quantum 2026; Quandela's photon_recycling) reweights lossy samples to recover lossless probabilities, but its estimators are biased and restricted to the no-collision sector, where each output mode holds at most one photon. We instead treat the raw counts as Multinomial observations under per-photon binomial loss and infer the ideal output distribution and the loss rate jointly from a Bayesian posterior, which extends naturally to outputs with collisions. On data from the independent Perceval simulator at the scale of prior work (n=4 photons in m=20 and m=10 modes), the posterior has lower KL divergence than both recycling and postselection at every tested loss rate in the no-collision benchmark. In the collision regime it recovers the loss rate and the collision-pattern probabilities, which recycling cannot estimate, and stays below recycling at every loss rate and below postselection except at low loss, where the two are comparable. Its advantage over recycling grows with the sample count, and it supplies credible intervals that the baselines lack.
• Abstract（参考訳）: 光子損失は線形光量子回路において支配的なノイズ源である。 失われた各光子は、理想のn-光子の結果を、より少ない光子を持つパターンに変えるため、検出器のカウントは、もはや理想の出力分布に従わず、光子数が増加するにつれて、それに続く損失のない事象は指数関数的に稀になる。 したがって、損失事象(ポストセレクション)が現実的な損失率でデータの大半を無駄にし、損失数自体から理想的な分布を推定する必要がある。 リサイクルに基づく緩和(Mills & Mezher, Quantum 2026; Quandela's photon_recycling)は、損失のない確率を回復するために損失のあるサンプルを再重み付けするが、その推定器は偏りがあり、各出力モードが1つの光子を保持する非衝突セクターに制限される。 その代わりに、光子当たりの2項損失下での多項観測として生計数を扱い、ベイズ後部から理想的な出力分布と損失率を推定し、自然に衝突による出力に拡張する。 先行研究(m=20およびm=10モードのn=4光子)における独立したPercevalシミュレータのデータから、後部は、無衝突ベンチマークにおける試験損失率毎のリサイクルとポストセレクションよりもKLのばらつきが低い。 衝突状態下では、再資源化が不可能な損失率と衝突パターン確率を回復し、その2つが同等の低損失の場合を除き、全ての損失率とポストセレクション以下で再資源化される。 リサイクルに対するアドバンテージは、サンプル数の増加とともに増大し、ベースラインに欠けている信頼できる間隔を提供する。

関連論文リスト

• Recursively Trained Diffusion Models: Limiting Collapse Distribution and Spectral Characterization [27.894241484593735]
  生成モデルの再帰的トレーニングは、真のデータ分布から複合的なドリフトであるモデル崩壊を引き起こす可能性がある。 完全なスコア推定と正確なサンプリングを行っても,逆拡散の早期停止はデータ分布から進行的なドリフトを引き起こすことを示す。 低次よりも高速に高次誤差を収縮するモード依存の収縮速度で、理想的な特徴付けが堅牢であることを示す。
  論文  参考訳（メタデータ） (2026-06-11T18:06:26Z)
• Mitigating photon loss in linear optical quantum circuits: classical postprocessing methods outperforming postselection [0.0]
  本稿では,光子損失が出力確率と期待値の両方に与える影響を緩和する技術群を提案する。 再生確率は損失の影響を受ける出力統計から構成される。 古典的な後処理技術は、リサイクルされた確率を入力として、損失軽減された確率のセットを出力する。
  論文  参考訳（メタデータ） (2024-05-03T17:53:15Z)
• Quantum error cancellation in photonic systems -- undoing photon losses [3.6141518756781514]
  実際のフォトニックデバイスは、システムに符号化された量子情報を復号化できる光子損失を受ける。 本稿では,確率的エラーキャンセルにインスパイアされたエラー軽減プロトコルを提案する。 提案プロトコルは,期待値推定タスクにおける光子損失を解消できることを示す。
  論文  参考訳（メタデータ） (2024-03-08T12:16:43Z)
• Are All Losses Created Equal: A Neural Collapse Perspective [36.0354919583995]
  クロスエントロピー(CE)は、分類タスクのためにディープニューラルネットワークを訓練する最も一般的な損失である。 本研究では,一般的に使用されているラベルスムーシング (LS) や焦点損失 (FL) を含む広い範囲の損失関数がニューラル・コラプスを示すことを,グローバル・ソリューションとランドスケープ・アナリティクスを通じて示す。
  論文  参考訳（メタデータ） (2022-10-04T00:36:45Z)
• Loss-Induced Quantum Revival [1.0462112568971482]
  我々は、損失の助けを借りて、単一光子レベルでの光相関の量子回復を実現する方法を示す。 我々の研究は、完全な量子状態における損失の影響を逆転させる戦略を提供し、損失調整された単一光子デバイスを量子技術のために探索し利用するための直感的な経路を開く。
  論文  参考訳（メタデータ） (2022-02-05T04:07:48Z)
• Understanding Square Loss in Training Overparametrized Neural Network Classifiers [31.319145959402462]
  過度にパラメータ化されたニューラルネットワークでどのように機能するかを体系的に検討することにより、分類における二乗損失の理論的理解に寄与する。 クラスが分離可能か否かに応じて2つのケースを考慮する。一般的な非分離可能の場合、誤分類率と校正誤差の両方について、高速収束率が確立される。 結果として得られるマージンはゼロから下界であることが証明され、ロバスト性の理論的な保証を提供する。
  論文  参考訳（メタデータ） (2021-12-07T12:12:30Z)
• Can we globally optimize cross-validation loss? Quasiconvexity in ridge regression [38.18195443944592]
  尾根回帰の場合, CV損失は準研究ではなく, 複数の局所的最適度を有する可能性がある。 より一般に、準平坦状態は最適なデータ応答の多くの特性とは無関係であることを示す。
  論文  参考訳（メタデータ） (2021-07-19T23:22:24Z)
• Stochastic Mirror Descent for Low-Rank Tensor Decomposition Under Non-Euclidean Losses [43.01811529439942]
  本研究は、非ユークリッド損失関数のクラスの下で低位正準多進分解(cpd)を考える。 この研究は、様々な非ユークリッド損失関数の下で大規模なCPD分解のための統一アルゴリズムフレームワークを提供する。
  論文  参考訳（メタデータ） (2021-04-29T14:58:25Z)
• Focal and Efficient IOU Loss for Accurate Bounding Box Regression [63.14659624634066]
  オブジェクト検出では、境界ボックス回帰(BBR)はオブジェクトローカリゼーションのパフォーマンスを決定する重要なステップです。 i) $ell_n$-norm と IOU ベースのロス関数はどちらも BBR の目的を描くのに非効率的であり、これは遅い収束と不正確な回帰結果をもたらす。
  論文  参考訳（メタデータ） (2021-01-20T14:33:58Z)

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。