論文の概要: Error-correction and noise-decoherence thresholds for coherent errors in
planar-graph surface codes
- arxiv url: http://arxiv.org/abs/2006.13055v1
- Date: Tue, 23 Jun 2020 14:29:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-13 00:52:00.198113
- Title: Error-correction and noise-decoherence thresholds for coherent errors in
planar-graph surface codes
- Title(参考訳): 平面グラフ符号のコヒーレント誤差に対する誤差補正とノイズデコヒーレンス閾値
- Authors: F. Venn and B. B\'eri
- Abstract要約: 平面グラフ上の曲面符号におけるコヒーレント誤差を数値的に研究する。
特に、論理レベルのノイズがデコヒーレンス閾値を誤差補正閾値よりわずかに上回るグラフクラスが存在することを示す。
- 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: We numerically study coherent errors in surface codes on planar graphs,
focusing on noise of the form of $Z$- or $X$-rotations of individual qubits. We
find that, similarly to the case of incoherent bit- and phase-flips, a
trade-off between resilience against coherent $X$- and $Z$-rotations can be
made via the connectivity of the graph. However, our results indicate that,
unlike in the incoherent case, the error-correction thresholds for the various
graphs do not approach a universal bound. We also study the distribution of
final states after error correction. We show that graphs fall into three
distinct classes, each resulting in qualitatively distinct final-state
distributions. In particular, we show that a graph class exists where the
logical-level noise exhibits a decoherence threshold slightly above the
error-correction threshold. In these classes, therefore, the logical level
noise above the error-correction threshold can retain significant amount of
coherence even for large-distance codes. To perform our analysis, we develop a
Majorana-fermion representation of planar-graph surface codes and describe the
characterization of logical-state storage using fermion-linear-optics-based
simulations. We thereby generalize the approach introduced for the square
lattice by Bravyi \textit{et al}. [npj Quantum Inf. 4, 55 (2018)] to surface
codes on general planar graphs.
- Abstract(参考訳): 平面グラフの表面符号におけるコヒーレント誤差を数値的に検討し,個々の量子ビットのz$-またはx$-回転のノイズに着目した。
非コヒーレントなビットフリップや位相フリップの場合と同様に、コヒーレントな$X$-と$Z$-ローテーションに対するレジリエンスのトレードオフはグラフの接続によって得られる。
しかし, この結果から, 不整合の場合と異なり, 種々のグラフに対する誤差補正しきい値が普遍境界に近づくことはないことが示唆された。
また,誤差補正後の最終状態の分布についても検討した。
グラフは3つの異なるクラスに分類され、それぞれが定性的に異なる最終状態分布となることを示す。
特に、論理レベルのノイズがデコヒーレンス閾値を誤差補正閾値よりわずかに上回るグラフクラスが存在することを示す。
これらのクラスでは、誤差補正しきい値を超える論理レベルノイズは、大距離符号においてもかなりのコヒーレンスを保持することができる。
解析を行うため,平面グラフ面符号のMajorana-fermion表現を開発し,フェルミオン線形光学シミュレーションを用いて論理状態記憶の特性を記述した。
これにより、正方格子に対して導入されたアプローチを Bravyi \textit{et al} によって一般化する。
[npj quantum inf. 4, 55 (2018)]一般平面グラフ上の曲面符号。
関連論文リスト
- What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。
本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
論文 参考訳(メタデータ) (2024-06-04T05:30:16Z) - Analysis of Corrected Graph Convolutions [10.991475575578855]
最先端の機械学習モデルは、しばしばデータに複数のグラフ畳み込みを使用する。
過度に多くのグラフ畳み込みが性能を著しく低下させることが示され、これはオーバースムーシング(oversmoothing)と呼ばれる現象である。
本研究では,各ラウンドの畳み込みにより,飽和レベルまで指数関数的に誤分類誤差を低減できることを示す。
論文 参考訳(メタデータ) (2024-05-22T20:50:17Z) - Graph Out-of-Distribution Generalization with Controllable Data
Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。
トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。
仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文 参考訳(メタデータ) (2023-08-16T13:10:27Z) - Addressing Heterophily in Node Classification with Graph Echo State
Networks [11.52174067809364]
ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。
GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。
実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
論文 参考訳(メタデータ) (2023-05-14T19:42:31Z) - Graph Signal Sampling for Inductive One-Bit Matrix Completion: a
Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。
キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。
オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文 参考訳(メタデータ) (2023-02-08T08:17:43Z) - Joint graph learning from Gaussian observations in the presence of
hidden nodes [26.133725549667734]
本稿では,隠れ変数の存在を考慮した共同グラフ学習法を提案する。
従来の考察から得られた構造を利用して凸最適化問題を提案する。
提案したアルゴリズムを異なるベースラインで比較し、合成グラフと実世界のグラフ上での性能を評価する。
論文 参考訳(メタデータ) (2022-12-04T13:03:41Z) - Semi-Supervised Clustering of Sparse Graphs: Crossing the
Information-Theoretic Threshold [3.6052935394000234]
ブロックモデルは、ネットワーク構造データのクラスタリングとコミュニティ検出のための標準ランダムグラフモデルである。
ネットワークトポロジに基づく推定器は、モデルパラメータが一定の閾値以下である場合、スパースグラフの確率よりも大幅に向上する。
パラメータ領域全体でラベルの任意の部分で実現可能であることを示す。
論文 参考訳(メタデータ) (2022-05-24T00:03:25Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Graphon-aided Joint Estimation of Multiple Graphs [24.077455621015552]
観測結果から複数のネットワークのトポロジを推定する問題を考察する。
これは非パラメトリックなモデルであり、潜在的に異なるサイズのグラフを描画することができる。
論文 参考訳(メタデータ) (2022-02-11T15:20:44Z) - Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。
GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。
本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文 参考訳(メタデータ) (2021-12-19T05:04:53Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳(メタデータ) (2021-03-25T09:31:41Z)
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。