論文の概要: Exceptional Points as Witnesses of Non-Gaussian Noise

• arxiv url: http://arxiv.org/abs/2610.40612v1
• Date: Thu, 29 Oct 2026 17:54:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 06:26:46.545216
• Title: Exceptional Points as Witnesses of Non-Gaussian Noise
• Title（参考訳）: 非ガウス雑音のウィットネスとしての例外点
• Abstract要約: 非ガウス統計の観測可能なシグネチャを,ノイズ平均デフォーカス応答における例外点 (EP) が露呈できることを示す。 この結果は,非エルミート力学と環境騒音統計を結びつけ,量子デバイスにおけるノイズを特徴づける経路を提供する。
• 参考スコア（独自算出の注目度）: 3.7723788828505125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient control of quantum devices requires the knowledge of their environmental noise, yet the commonly measured power spectrum does not fully characterize non-Gaussian fluctuations of realistic environments. Here we show that exceptional points (EPs) in the noise-averaged dephasing response can expose observable signatures of non-Gaussian statistics, distinguishing environments with identical lower-order statistics. We also introduce a theoretical model that describes dephasing environments in terms of identical independent noise sources while preserving the power spectrum. Given a calibrated single-source model, the largest EP order extracted from the measured dephasing response determines the number of sources and predicts the higher-order statistics of the combined noise. We illustrate an atomtronic readout that maps distinct EP signatures onto an evolving ensemble-averaged atomic interference pattern. Our results connect non-Hermitian dynamics to environmental noise statistics, providing a route to characterize noise in quantum devices used in computing, metrology, and precision measurement.
• Abstract（参考訳）: 量子デバイスの効率的な制御は、その環境ノイズの知識を必要とするが、一般的に測定されるパワースペクトルは、現実的な環境の非ガウス的変動を完全に特徴づけるものではない。 ここでは,非ガウス統計の観測可能なシグネチャを呈示し,同一の低次統計を持つ環境を識別する。 また、パワースペクトルを保ちながら、同一の独立したノイズ源の観点から、デフォーカス環境を記述する理論モデルも導入する。 キャリブレーションされた単一ソースモデルが与えられた場合、測定されたdephasing応答から抽出された最大のEPオーダーは、ソース数を決定し、結合したノイズの高次統計を予測します。 我々は、異なるEPシグネチャを進化するアンサンブル平均原子干渉パターンにマッピングする原子線読み出しについて説明する。 この結果は,非エルミート力学と環境騒音統計を結びつけ,計算,気象学,精密測定に使用される量子デバイスにおけるノイズを特徴付ける経路を提供する。

関連論文リスト

• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• Noise Augmented Fine Tuning for Mitigating Hallucinations in Large Language Models [1.0579965347526206]
  大規模言語モデル(LLM)は、しばしば不正確な、または誤解を招くコンテンツ・ハロシンを生成する。 noise-Augmented Fine-Tuning (NoiseFiT) は適応ノイズ注入を利用してモデルロバスト性を高める新しいフレームワークである。 NoiseFiTは、動的にスケールしたガウス雑音を用いて、高SNR(より堅牢)または低SNR(潜在的に過正規化)と同定された層を選択的に摂動する。
  論文  参考訳（メタデータ） (2025-04-04T09:27:19Z)
• Virtual purification complements quantum error correction in quantum metrology [2.2384913922317105]
  仮想浄化(VP)は,現実的なセットアップにおけるノイズの効果を効果的に抑制できることを示す。 VPは、符号化されたプローブ状態とともに、現実的な設定におけるノイズの効果を効果的に抑制することができる。
  論文  参考訳（メタデータ） (2025-03-16T18:56:40Z)
• Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
  GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。 我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。 本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
  論文  参考訳（メタデータ） (2023-01-23T19:57:58Z)
• High-Order Qubit Dephasing at Sweet Spots by Non-Gaussian Fluctuators: Symmetry Breaking and Floquet Protection [55.41644538483948]
  非ガウスゆらぎによるqubit dephasingについて検討した。 非ガウス雑音に特有の対称性破壊効果を予測する。
  論文  参考訳（メタデータ） (2022-06-06T18:02:38Z)
• Path integral framework for characterizing and controlling decoherence induced by non-stationary environments on a quantum probe [0.0]
  量子プローブにより非定常環境変動を特徴づける枠組みを導入する。 局所的な非定常雑音の幅広いサブクラスに対する物理的洞察を示す。
  論文  参考訳（メタデータ） (2022-03-09T21:47:16Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• Adaptive Multi-View ICA: Estimation of noise levels for optimal inference [65.94843987207445]
  Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。 AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。 実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
  論文  参考訳（メタデータ） (2021-02-22T13:10:12Z)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)

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。