論文の概要: Bosonic Loss Codes with Bounded Occupation

• arxiv url: http://arxiv.org/abs/2610.34411v1
• Date: Sun, 25 Oct 2026 16:10:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 18:48:08.789905
• Title: Bosonic Loss Codes with Bounded Occupation
• Title（参考訳）: Bosonic Loss Codes with bounded Occupation (英語)
• Abstract要約: 我々は、励起当たりの論理量子ビットにおいて、十分小さな$>0$に対して正の明示的なレートを証明している。 損失が最大$N$で再正規化される純粋損失チャネルに対して、指数的に小さな最悪のエラーで近似符号を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study Fock-state codes on $q$ bosonic modes, with total excitation $N$ and at most $B$ excitations per mode, that exactly correct every pattern of at most $δN$ photon losses, for $q$ proportional to $N$. For every fixed cap $B$ and every ratio $q/N>1/B$, we prove explicit achievable rates, positive for all sufficiently small $δ>0$, in logical qubits per excitation. At $B=2$ and $q=N$, the rate is positive for every $δ<0.1355$ and is about $0.281$ at $δ=0.1$, compared with the previously established exact-code qutrit rate of about $0.275$. We also give an explicit upper bound on the dimension of every such exact code, including degenerate codes. For the pure-loss channel truncated to at most $δN$ losses and renormalized, we obtain approximate codes with exponentially small worst-case error. When the loss probability is positive and at most $1/(B+1)$, they improve our positive exact-code rate bounds; at $B=2$, $q=N$, and loss probability $0.1$, they remain positive up to $δ\approx0.158$.
• Abstract（参考訳）: フォック状態の符号を$q$ボソニックモードで研究し、合計で$N$、最大で$B$モード当たり$B$の励起で、最大で$δN$光子損失のパターンを正確に補正し、$q$を$N$に比例する。 すべての固定上限$B$とすべての比$q/N>1/B$に対して、励起当たりの論理量子ビットにおいて、十分小さい$δ>0$に対して正となる明示的な達成可能なレートを証明します。 $B=2$と$q=N$はすべての$δ<0.1355$に対して正であり、これまで確立されていた精度コードクォートレートの約0.275$に比べて約0.281$である。 また、縮退符号を含む全ての正確な符号の次元に明示的な上限を与える。 損失が最大$δN$で再正規化される純粋損失チャネルに対して、指数的に小さな最悪のエラーで近似符号を得る。 損失確率が1/(B+1)$で最大1/(B+1)$の場合には、正の正確な符号レート境界が改善され、B=2$、$q=N$、損失確率が0.1$となると、δ\approx0.158$の値が続く。

関連論文リスト

• Asymptotically Optimal Regret for Reinforcement Learning without Horizon Dependence [54.59847568544922]
  有限水平時間同質なマルコフ決定過程に対して、$A$状態、$A$アクション、hoighty $H$、および1ドルで有界なトラジェクティブ当たりの合計報酬について、地平自由な後悔について検討する。 失敗確率$$K$はエピソード数で$tilde O(sqrtSAK+S3K)$ hides $mathsfpolyである。
  論文  参考訳（メタデータ） (2026-07-22T07:42:19Z)
• Online Convex Optimization with Sublinear Noisy Probes [6.998574163422056]
  オンライン凸最適化(OCO)を凸集合として$Ksubseteq mathbb Rd$で検討する。 我々は最近の2つの作業の行を一般化する統一された探索モデルを導入する: 専門家設定におけるサブ線形ベストエキスパートクエリと、OCOの各ラウンドで利用できるペアワイズフィードバックである。 本研究の主目的は, サブリニアでノイズの多いプローブ予算であっても, OCO体制の完全なフィードバックにおける最悪の後悔を確実に改善できることである。
  論文  参考訳（メタデータ） (2026-06-12T17:05:08Z)
• Rényi exponent landscape of multipartite entanglement in free-fermion systems [51.56484100374058]
  我々は、Rényi tripartite information $I_3() が小フェルミ運動量での質的に $exclusion-dependent scaling を示すことを示した。 I_m(n)/I_m(1) sim zm-1 to 0$ for all integer $n geq 2$, so the leading von Neumann signal can builded from integer Rényi data。
  論文  参考訳（メタデータ） (2026-03-09T22:27:00Z)
• Proofs as Explanations: Short Certificates for Reliable Predictions [25.157401709060064]
  我々は、予測$h(x)=y$がトレーニングデータのサブセット$S'$から成り立つ、説明可能なAIのモデルを考える。 集合 $S'$ of size $d+1$ は正の予測の説明として解放され、実現可能性の仮定の下での予測の正しさの短い証明として機能する。
  論文  参考訳（メタデータ） (2025-04-11T09:26:37Z)
• p-Mean Regret for Stochastic Bandits [52.828710025519996]
  単純で統一された UCB ベースのアルゴリズムを導入し、新しい$p$-mean の後悔境界を実現する。 我々の枠組みは、特別な場合として、平均的な累積的後悔とナッシュ後悔の両方を包含する。
  論文  参考訳（メタデータ） (2024-12-14T08:38:26Z)
• Optimal SQ Lower Bounds for Learning Halfspaces with Massart Noise [9.378684220920562]
  マスアートノイズの存在下でハーフスペースを学習するための、最も厳密な統計クエリ(SQ)の下界。 任意の $eta in [0,1/2]$ に対して、$eta$ よりも誤り分類誤差の少ない全ての SQ アルゴリズムは、スーパーポリノミカルな精度のクエリを必要とすることを示す。
  論文  参考訳（メタデータ） (2022-01-24T17:33:19Z)
• Learning low-degree functions from a logarithmic number of random queries [77.34726150561087]
  任意の整数 $ninmathbbN$, $din1,ldots,n$ および任意の $varepsilon,deltain(0,1)$ に対して、有界関数 $f:-1,1nto[-1,1]$ に対して、少なくとも$d$ の次数を学ぶことができる。
  論文  参考訳（メタデータ） (2021-09-21T13:19:04Z)
• Near-Optimal SQ Lower Bounds for Agnostically Learning Halfspaces and ReLUs under Gaussian Marginals [49.60752558064027]
  ガウス境界の下では、半空間とReLUを不可知的に学習する基本的な問題について検討する。 我々の下限は、これらのタスクの現在の上限が本質的に最良のものであるという強い証拠を与える。
  論文  参考訳（メタデータ） (2020-06-29T17:10:10Z)
• $Q$-learning with Logarithmic Regret [60.24952657636464]
  楽観的な$Q$は$mathcalOleft(fracSAcdot mathrmpolyleft(Hright)Delta_minlogleft(SATright)right)$ cumulative regret bound, where $S$ is the number of state, $A$ is the number of action, $H$ is the planning horizon, $T$ is the total number of steps, $Delta_min$ is the least sub-Optitimality gap。
  論文  参考訳（メタデータ） (2020-06-16T13:01:33Z)

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。