論文の概要: Combining $T_1$ and $T_2$ estimation with randomized benchmarking and
bounding the diamond distance
- arxiv url: http://arxiv.org/abs/2008.09197v1
- Date: Thu, 20 Aug 2020 20:28:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-05 12:07:10.173931
- Title: Combining $T_1$ and $T_2$ estimation with randomized benchmarking and
bounding the diamond distance
- Title（参考訳）: ランダム化ベンチマークとダイヤモンド距離のバウンドによる$t_1$と$t_2$推定の組み合わせ
- Authors: Hillary Dawkins, Joel Wallman, Joseph Emerson
- Abstract要約: 実験設計と誤り訂正法を最適化するためには,特定の誤り源について学ぶことが不可欠である。
一般的な減衰チャネルでエラーが支配される場合について考察する。
フォールトトレランスのしきい値のロバストな評価を可能にする境界を提供する。
- 参考スコア（独自算出の注目度）: 6.445605125467574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The characterization of errors in a quantum system is a fundamental step for
two important goals. First, learning about specific sources of error is
essential for optimizing experimental design and error correction methods.
Second, verifying that the error is below some threshold value is required to
meet the criteria of threshold theorems. We consider the case where errors are
dominated by the generalized damping channel (encompassing the common intrinsic
processes of amplitude damping and dephasing) but may also contain additional
unknown error sources. We demonstrate the robustness of standard $T_1$ and
$T_2$ estimation methods and provide expressions for the expected error in
these estimates under the additional error sources. We then derive expressions
that allow a comparison of the actual and expected results of fine-grained
randomized benchmarking experiments based on the damping parameters. Given the
results of this comparison, we provide bounds that allow robust estimation of
the thresholds for fault-tolerance.
- Abstract（参考訳）: 量子系における誤差の特徴づけは、2つの重要な目標の基本的なステップである。
第一に、実験設計と誤り訂正法を最適化するためには、特定のエラー源について学ぶことが不可欠である。
第二に、誤差がしきい値以下であることを検証することはしきい値定理の基準を満たすために必要である。
一般化減衰チャネル(振幅減衰とデファスメントの一般的な固有過程を含む)によってエラーが支配される場合を考えるが、さらに未知のエラー源も含む可能性がある。
我々は標準の$t_1$と$t_2$のロバスト性を示し、追加のエラー源の下でこれらの推定で予想される誤差の表現を提供する。
次に,減衰パラメータに基づく細粒度ランダム化ベンチマーク実験の実際の結果と期待値の比較を可能にする表現を導出する。
この比較結果から,耐故障性しきい値のロバストな評価を可能にする境界を提供する。
関連論文リスト
- Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。
提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
論文 参考訳（メタデータ） (2024-10-22T10:19:27Z) - Orthogonal Causal Calibration [55.28164682911196]
我々は、任意の損失$ell$に対して、任意の因果パラメータのキャリブレーション誤差$theta$の一般的な上限を証明した。
我々は、因果校正のための2つのサンプル分割アルゴリズムの収束解析に境界を用いる。
論文 参考訳（メタデータ） (2024-06-04T03:35:25Z) - Symmetric Q-learning: Reducing Skewness of Bellman Error in Online
Reinforcement Learning [55.75959755058356]
深層強化学習では、状態や行動の質を評価するために、価値関数を推定することが不可欠である。
最近の研究では、値関数を訓練する際の誤差分布はベルマン作用素の特性のためにしばしば歪むことが示唆されている。
そこで我々は,ゼロ平均分布から発生する合成ノイズを目標値に加え,ガウス誤差分布を生成するSymmetric Q-learning法を提案する。
論文 参考訳（メタデータ） (2024-03-12T14:49:19Z) - Robust Bayesian Inference for Berkson and Classical Measurement Error Models [9.712913056924826]
測定誤差を扱うための非パラメトリックフレームワークを提案する。
古典的誤りモデルとバークソン誤りモデルの両方に適している。
回帰モデルの種類に応じて損失関数の選択に柔軟性を提供する。
論文 参考訳（メタデータ） (2023-06-02T11:48:15Z) - Asymptotic Characterisation of Robust Empirical Risk Minimisation
Performance in the Presence of Outliers [18.455890316339595]
我々は,次元$d$とデータ点数$n$が固定比$alpha=n/d$で分岐した場合,高次元の線形回帰について検討し,出力率を含むデータモデルについて検討する。
我々は、$ell$-regularized $ell$, $ell_$, Huber損失を用いて、経験的リスク最小化(ERM)のパフォーマンスの正確性を提供する。
論文 参考訳（メタデータ） (2023-05-30T12:18:39Z) - Benchmarking quantum logic operations relative to thresholds for fault
tolerance [0.02171671840172762]
我々はゲートセットトモグラフィーを用いて、2量子ビット論理ゲートのセットの精度評価を行い、超伝導量子プロセッサ上でRCを研究する。
平均および最悪のエラー率はランダムにコンパイルされたゲートに対して等しいことを示し、ゲートセットの最大最悪のエラーは0.0197(3)である。
論文 参考訳（メタデータ） (2022-07-18T17:41:58Z) - Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。
我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。
MRP のサブクラスに対する minimax の下位境界を証明する。
論文 参考訳（メタデータ） (2021-09-24T14:48:20Z) - Efficient diagnostics for quantum error correction [0.0]
パウリの誤り再構成に基づくスケーラブルな実験手法を提案する。
数値的エビデンスにより, 種々の誤差モデルに対する標準誤差測定値に基づいて, 予測精度が有意に向上したことを示す。
論文 参考訳（メタデータ） (2021-08-24T16:28:29Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Error bounds in estimating the out-of-sample prediction error using
leave-one-out cross validation in high-dimensions [19.439945058410203]
高次元状態におけるサンプル外リスク推定の問題について検討する。
広範囲にわたる経験的証拠は、アウト・ワン・アウト・クロス・バリデーションの正確さを裏付ける。
この理論の技術的利点の1つは、拡張可能な近似LOに関する最近の文献から得られたいくつかの結果を明確化し、接続することができることである。
論文 参考訳（メタデータ） (2020-03-03T20:07:07Z) - Understanding and Mitigating the Tradeoff Between Robustness and
Accuracy [88.51943635427709]
逆行訓練は、堅牢なエラーを改善するために、摂動でトレーニングセットを増強する。
拡張摂動が最適線形予測器からノイズのない観測を行う場合であっても,標準誤差は増大する可能性がある。
論文 参考訳（メタデータ） (2020-02-25T08:03:01Z)
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。