論文の概要: Using deep learning to understand and mitigate the qubit noise environment

• arxiv url: http://arxiv.org/abs/2005.01144v2
• Date: Mon, 11 Jan 2021 10:40:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-21 07:16:59.230000
• Title: Using deep learning to understand and mitigate the qubit noise environment
• Title（参考訳）: ディープラーニングを用いた量子ビット雑音環境の理解と緩和
• Authors: David F. Wise, John J. L. Morton, and Siddharth Dhomkar
• Abstract要約: 本稿では,量子ビット上の時間力学測定から正確な雑音スペクトルを抽出する手法を提案する。 任意の浴槽に囲まれた任意のキュービットに付随する雑音スペクトルを抽出するニューラルネットワークに基づく手法を実証する。 この結果は、様々なキュービットプラットフォームに適用でき、キュービット性能を改善するためのフレームワークを提供する。
• 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: Understanding the spectrum of noise acting on a qubit can yield valuable information about its environment, and crucially underpins the optimization of dynamical decoupling protocols that can mitigate such noise. However, extracting accurate noise spectra from typical time-dynamics measurements on qubits is intractable using standard methods. Here, we propose to address this challenge using deep learning algorithms, leveraging the remarkable progress made in the field of image recognition, natural language processing, and more recently, structured data. We demonstrate a neural network based methodology that allows for extraction of the noise spectrum associated with any qubit surrounded by an arbitrary bath, with significantly greater accuracy than the current methods of choice. The technique requires only a two-pulse echo decay curve as input data and can further be extended either for constructing customized optimal dynamical decoupling protocols or for obtaining critical qubit attributes such as its proximity to the sample surface. Our results can be applied to a wide range of qubit platforms, and provide a framework for improving qubit performance with applications not only in quantum computing and nanoscale sensing but also in material characterization techniques such as magnetic resonance.
• Abstract（参考訳）: 量子ビットに作用するノイズのスペクトルを理解することは、その環境に関する貴重な情報をもたらし、そのようなノイズを緩和する動的デカップリングプロトコルの最適化を決定的に下支えする。 しかし、量子ビット上の典型的な時間力学測定から正確なノイズスペクトルを抽出することは、標準的な手法では難解である。 本稿では,画像認識,自然言語処理,最近では構造化データの分野における著しい進歩を活用して,ディープラーニングアルゴリズムを用いてこの問題に取り組むことを提案する。 任意の浴槽に囲まれた任意のキュービットに関連付けられた雑音スペクトルを抽出できるニューラルネットワークベースの手法を,現在選択されている方法よりもはるかに精度良く示す。 この手法は入力データとして2パルスエコー減衰曲線のみを必要とし、カスタマイズされた最適動的デカップリングプロトコルを構築するか、サンプル表面への近接のような重要な量子ビット属性を取得するために拡張することができる。 また, 量子コンピューティングやナノスケールセンシングだけでなく, 磁気共鳴などの材料特性評価技術にも応用して, 量子ビット性能を向上させるためのフレームワークを提供する。

関連論文リスト

• Optimal adaptation of surface-code decoders to local noise [0.0]
  量子デバイスのノイズ特性は、量子エラー訂正符号の性能向上に利用することができる。 本稿では,表面符号デコーダの雑音特性への適応が性能改善につながる範囲を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-13T17:12:33Z)
• Efficient learning of the structure and parameters of local Pauli noise channels [1.5229257192293197]
  n量子ビット上のパウリノイズチャネルを学習するための新しい手法を提案する。 我々は,Breslerによる画期的な成果を利用して,ギブズ測度を効率的に学習することで,その結果を達成した。 提案手法は,他の望ましい特徴を諦めることなく,サンプル数と後処理の両面で効率的である。
  論文  参考訳（メタデータ） (2023-07-06T12:42:49Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Characterizing and mitigating coherent errors in a trapped ion quantum processor using hidden inverses [0.20315704654772418]
  量子コンピューティングテストベッドは、量子ビットの小さな集合に対して高忠実な量子制御を示す。 これらのノイズの多い中間スケールデバイスは、デコヒーレンスの前に十分な数のシーケンシャルな操作をサポートすることができる。 これらのアルゴリズムの結果は不完全であるが、これらの不完全性は量子コンピュータのテストベッド開発をブートストラップするのに役立ちます。
  論文  参考訳（メタデータ） (2022-05-27T20:35:24Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Learning based signal detection for MIMO systems with unknown noise statistics [84.02122699723536]
  本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。 実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。 我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
  論文  参考訳（メタデータ） (2021-01-21T04:48:15Z)
• Robust quantum gates using smooth pulses and physics-informed neural networks [0.0]
  本稿では、ノイズに対する感度を最小化する、真に滑らかなパルスを得るための最初の一般的な方法を提案する。 ニューラルネットワークを用いてハミルトニアンをパラメータ化することにより、多数の最適化パラメータを利用できる。 我々は,論理部分空間内のノイズの影響を抑えるスムーズな形状と,その部分空間からの漏れを抑えることで,我々のアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2020-11-04T19:31:36Z)
• Robust Processing-In-Memory Neural Networks via Noise-Aware Normalization [26.270754571140735]
  PIM加速器は、しばしば物理的成分の固有のノイズに悩まされる。 雑音設定に対してロバストなニューラルネットワーク性能を実現するためのノイズ非依存手法を提案する。
  論文  参考訳（メタデータ） (2020-07-07T06:51:28Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)

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。