Quantum Physics / Quantum Physics

'Quantum Physics / Quantum Physics' 카테고리의 모든 글

총 5개의 글
시간순 정렬
확률을 중심에 두다  힐베르트 공간이 생성하고 제약하는 확률

확률을 중심에 두다 힐베르트 공간이 생성하고 제약하는 확률

본 연구에서는 Bub(2016)의 상관 배열과 Pitowsky(1989b)의 상관 다면체를 사용하여 Mermin(1981)이 제안한 쌍방 탄성 상태에서의 스핀-$ frac{1}{2}$ 입자 측정 실험 설정을 분석합니다. 양자역학에 의해 허용되는 상관 관계의 클래스는 비신호 다면체 내부에 있는 타원 체로 표현됩니다. 국소 은닉 변수 이론으로 가능한 상관 관계의 클래스는 이 타원 체 내부에 들어가는 사면체로 나타납니다. 본 연구에서는 이를 스핀이 임의인 입자 쌍으로 확장하였습니다. 양자역학에 의해 허용되는 상관 관계의 클래스는 여전히 타원 체로 표현되며, 국소 은닉 변수 이론에 의해 허용되는 하위 클래스는 점점 더 많은 꼭지점과 면을 가지게 되어 타원 체에 가까워집니다. 이러한 결과를 통해 Bub의 해석처럼 양자역학의 해석을 주장합니다. 확률 및 기대값은 이 해석에서 기본적입니다. 그들은 힐베르트 공간 내 벡터들 간의 내적에 의해 결정됩니다. 이러한 벡터는 양자 세계에서 실제로 무엇이 있는지 표현하는 것이 아닙니다. 서로 다른 측정 집합의 값을 위한 확률 분포 패밀리를 인코딩합니다. 클래식 이론처럼, 이러한 값들이 결국에는 양자 세계에서 실제적인 것을 나타냅니다. 힐베르트 공간은 가능한 그러한 값들의 조합에 제약을 가하고 있습니다. 이런 제약들은 Minkowski 시공간이 사건의 가능 시공간적 배치에 대한 제약을 가하는 것과 유사합니다. 본 논문에서 도출된 타원 체 방정식은 통계 및 확률 이론의 더 오래된 문헌에서도 찾을 수 있는 일반적인 상관 계수 제약입니다. Yule(1896)이 이미 이러한 제약을 언급했으며, De Finetti(1937)는 이를 기하학적으로 해석했습니다.

paper AI 요약
No Image

양자 조언을 사용한 함수 역원의 하한값

함수 역산은 임의의 함수 $f [M] to [N]$가 주어졌을 때, 이미지 $y$의 사전 영상(pre-image) $f^{-1}(y)$를 찾는 문제입니다. 이 연구에서는 예처리 모델에서 이 문제를 재검토합니다. 이 모델에서는 함수 $f$에만 의존하는 보조 정보 또는 조언(advice) 크기 $S$를 계산할 수 있습니다. 이것은 고전적인 설정에서 잘 연구된 문제지만, 양자 알고리즘이 어떻게 더 나은 성능을 내는지 명확하지 않습니다. 특히 Grover의 알고리즘 외에는 예처리의 힘을 활용하지 못합니다. Nayebi 등은 $ST^2 ge tilde Omega(N)$에 대한 하한 값을 양자 알고리즘이 역순열(permutation)을 역산하는 데 사용되는 하한 값으로 증명했습니다. 그러나 이들은 조언이 고전적인 경우만 고려했습니다. Hhan 등은 그 결과를 완전히 양자 알고리즘에 대한 결과로 확장했습니다. 본 연구에서는 $M = O(N)$인 범위에서 함수 역산을 위한 완전히 양자 알고리즘에 대해 동일한 점근적 하한 값을 제공합니다. 이러한 경계를 증명하기 위해 Ambainis 등이 처음으로 소개했던 양자 랜덤 액세스 코드의 개념을 일반화하여, 우리가 주어진 (필연적으로 독립적이지 않은) 임의 변수 목록을 길이가 가변적인 인코딩으로 압축하고 이 인코딩만으로 임의의 요소를 높은 확률로 검색할 수 있도록 합니다. 우리의 주요 기술적 업적 중 하나는 이러한 일반화된 양자 랜덤 액세스 코드에 대한 거의 최하한 값을 (넓은 매개변수 범위에서) 증명하는 것입니다.

paper AI 요약

< 분야별 논문 현황 (Total: 566) >

Quantum Physics
5

검색 시작

검색어를 입력하세요

↑↓
ESC
⌘K 단축키