Bibliographic record
Abstract
La présente thèse est basée sur un ensemble d'articles scientifiques publiés par l'auteur au cours de la période 2014-2016 dans le cadre de travaux de recherche doctorale se déroulant à l'Université McGill. Ces articles explorent des aspects théoriques et expérimentaux complémentaires de la mesure de qubits, une tâche essentielle pour le traitement de l'information quantique. Pour rendre les résultats plus abordables, le premier chapitre de la thèse introduit des outils de la théorie de la mesure quantique et de la théorie de la décision d'une manière pédagogique. Les chapitres restants consistent en les articles de recherche présentés dans un ordre cohérent plutôt que dans un ordre chronologique.Le premier chapitre introduit le traitement de l'information quantique, les mesures quantiques, et la théorie de la décision. Le second chapitre discute de l'optimisation de la fidélité des mesures "d'un coup" pour une classe générique de mesures de qubits. Trois différentes méthodes de traitement de signal sont analysées et comparées. De plus, une stratégie générale pour l'amélioration de ces mesures est proposée. Le troisième chapitre discute de l'optimisation de la rapidité de la mesure à l'aide de méthodes de la théorie des décisions adaptives. L'accélération maximale théoriquement réalisable est dérivée pour deux classes importantes de stratagèmes de mesure physiquement pertinents. De plus, des stratagèmes de mesure pour lesquels l'accélération due à la décision adaptive est sans borne sont proposés. Une accélération significative est expérimentalement démontrée pour la mesure de l'état de charge du centre azote-vacance dans le diamant, avec des ramifications directes pour l'amélioration de la métrologie quantique. Le quatrième chapitre explore l'application de méthodes de décodage souple à la mesure de multiples qubits. Il est montré que ces méthodes peuvent significativement réduire les ressources requises pour des tâches de traitement d'information quantique concrètes. D'une importance particulière est la démonstration que ces améliorations existent même en présence d'un petit nombre de qubits, d'un faible rapport signal-sur-bruit, et de modèles de bruit réalistes. En conséquence, il est soutenu que le décodage souple est un outil important pour le développement à court terme des technologies quantiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".