メニュー
Information-geometric methodology for computing bounds on the robustness of entanglement generation under noise and imperfect control.
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
SOC 職業分類に基づく
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/hiyenwong/ai_collection --skill entanglement-robustness-boundsコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
SKILL.md を表示中
| name | entanglement-robustness-bounds |
| description | Information-geometric methodology for computing bounds on the robustness of entanglement generation under noise and imperfect control. |
Information-geometric framework for bounding the robustness of entanglement generation in practical quantum systems. Uses Riemannian geometry on the space of quantum states to quantify how noise and control imperfections affect entanglement quality. Based on arXiv:2606.05696.
Identify the target entangled state and generation protocol:
Model the imperfections affecting entanglement:
The core methodology uses the geometry of quantum state space:
For a given noise level ε:
Use bounds to guide protocol improvements:
If bounds are too loose for practical use:
1. Refine noise model with more specific assumptions
2. Use problem-specific geometry (restricted submanifold)
3. Apply numerical optimization to tighten bounds
For multi-qubit systems where computation is intractable:
1. Use tensor network approximations
2. Apply concentration of measure results
3. Bound via subsystem entanglement measures
User: "How robust is Bell state generation under 1% depolarizing noise?"
Agent Process:
1. Model noise as ε = 0.01 depolarizing channel
2. Compute Fisher information metric on two-qubit state space
3. Find geodesic distance from ideal Bell state to noisy state
4. Derive robustness bound: F ≥ 1 - O(ε·log(d)) where d=4
5. Report: "Fidelity guaranteed ≥ 0.98 under worst-case noise"
This skill bridges information geometry and quantum information theory, providing practical tools for assessing entanglement quality in real quantum systems.
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.