論文の概要: Gate Set Tomography

• arxiv url: http://arxiv.org/abs/2009.07301v2
• Date: Tue, 28 Sep 2021 18:31:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 04:17:26.568657
• Title: Gate Set Tomography
• Title（参考訳）: ゲートセットトモグラフィ
• Authors: Erik Nielsen, John King Gamble, Kenneth Rudinger, Travis Scholten, Kevin Young, Robin Blume-Kohout
• Abstract要約: ゲートセットトモグラフィ(GST)は、量子コンピュータプロセッサ上の論理演算(ゲート)を詳細に予測するプロトコルである。 本稿では,GSTの基礎を包括的に紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gate set tomography (GST) is a protocol for detailed, predictive characterization of logic operations (gates) on quantum computing processors. Early versions of GST emerged around 2012-13, and since then it has been refined, demonstrated, and used in a large number of experiments. This paper presents the foundations of GST in comprehensive detail. The most important feature of GST, compared to older state and process tomography protocols, is that it is calibration-free. GST does not rely on pre-calibrated state preparations and measurements. Instead, it characterizes all the operations in a gate set simultaneously and self-consistently, relative to each other. Long sequence GST can estimate gates with very high precision and efficiency, achieving Heisenberg scaling in regimes of practical interest. In this paper, we cover GST's intellectual history, the techniques and experiments used to achieve its intended purpose, data analysis, gauge freedom and fixing, error bars, and the interpretation of gauge-fixed estimates of gate sets. Our focus is fundamental mathematical aspects of GST, rather than implementation details, but we touch on some of the foundational algorithmic tricks used in the pyGSTi implementation.
• Abstract（参考訳）: ゲートセットトモグラフィ(GST)は、量子コンピュータプロセッサ上の論理演算(ゲート)を詳細に予測するプロトコルである。 GSTの初期バージョンは2012-13年頃に登場し、その後改良され、実証され、多くの実験で使用された。 本稿では,GSTの基礎を包括的に紹介する。 GSTの最も重要な特徴は、古い状態およびプロセストモグラフィープロトコルと比較して、キャリブレーションフリーであることである。 GSTは、事前校正された状態の準備と測定に依存しない。 代わりに、ゲートセット内のすべての操作を、互いに相対的に同時に自己一貫性的に特徴付ける。 長い系列gstは高い精度と効率のゲートを推定でき、実用的関心の体系においてハイゼンベルクスケールを達成する。 本稿では,GSTの知的歴史,その目的を達成するための技術と実験,データ解析,ゲージ自由と固定,エラーバー,ゲートセットのゲージ固定推定の解釈について述べる。 我々の焦点は実装の詳細ではなくGSTの基本的な数学的側面であるが、pyGSTiの実装で使用される基本的なアルゴリズムのトリックについて触れる。

関連論文リスト

• On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
  勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。 本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。 本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-12-27T20:29:47Z)
• Microscopic parametrizations for gate set tomography under coloured noise [0.0]
  駆動相における時間相関ノイズ下での量子ゲートの顕微鏡的パラメトリゼーションにより,必要な資源を削減できることを示す。 有限相関時間と非マルコフ量子進化の影響を含むゲート集合の最小パラメトリゼーションについて議論する。
  論文  参考訳（メタデータ） (2024-07-16T09:39:52Z)
• Near-Minimal Gate Set Tomography Experiment Designs [0.0]
  ほぼすべての冗長性を取り除き, GST 実験設計を合理化する方法を示す。 我々は、GST回路の心臓にある「胚」サブルーチンを解析することでこれを行う。 新しい実験設計は、以前のGST実験の精度をはるかに少ない回路で一致させることができる。
  論文  参考訳（メタデータ） (2023-08-17T04:46:25Z)
• Two-Qubit Gate Set Tomography with Fewer Circuits [0.0]
  我々は、GST回路の構造を利用して、どの回路が過剰であるかを判断する方法を示す。 また,これらの技術が3量子GSTの展望に与える影響についても検討する。
  論文  参考訳（メタデータ） (2023-07-28T18:52:34Z)
• Learning Large Graph Property Prediction via Graph Segment Training [61.344814074335304]
  本稿では,メモリフットプリントを一定にして大きなグラフ特性予測を学習できる汎用フレームワークを提案する。 バックプロパゲーションのためにサンプリングされていないセグメントに対する埋め込みを効率的に得るために,歴史的埋め込みテーブルを導入することにより,GSTパラダイムを洗練する。 実験の結果,GST-EFDはメモリ効率が良く,高速でありながら,通常の全グラフ学習システムよりもテスト精度が若干向上していることがわかった。
  論文  参考訳（メタデータ） (2023-05-21T02:53:25Z)
• From Gradient Flow on Population Loss to Learning with Stochastic Gradient Descent [50.4531316289086]
  SGD(Gradient Descent)は、大規模非ルートモデルの学習方法である。 集団損失のGFが収束すると仮定して、総合的な条件 SGD が収束する。 我々は、凸損失のような古典的な設定だけでなく、Retrieval Matrix sq-rootのようなより複雑な問題に対してもGD/SGDを統一的に解析する。
  論文  参考訳（メタデータ） (2022-10-13T03:55:04Z)
• Efficient characterization of qudit logical gates with gate set tomography using an error-free Virtual-Z-gate model [0.0]
  クアディットに対してより効率的な GST アプローチを提案し、キュディット・アダマールと仮想Zゲートを用いてフィデューシャルを構築する。 提案手法は,評価結果の計算コストを削減し,GSTの大規模化を図る。
  論文  参考訳（メタデータ） (2022-10-10T17:20:25Z)
• Tight Cram\'{e}r-Rao type bounds for multiparameter quantum metrology through conic programming [61.98670278625053]
  最適な精度で不整合パラメータを推定できる実用的な測定戦略が最重要である。 ここでは、最適精度で非相関な測定方法を見つけるための具体的な方法を示す。 従来の計算可能境界と最終的な精度境界との間には厳密なギャップがあることを数値的に示す。
  論文  参考訳（メタデータ） (2022-09-12T13:06:48Z)
• Learning Structures in Earth Observation Data with Gaussian Processes [67.27044745471207]
  本稿では,この分野の主要な理論gp開発について概説する。 信号特性と雑音特性を尊重し、特徴ランキングを自動的に提供し、関連する不確かさ区間を適用可能にする新しいアルゴリズムについて論じる。
  論文  参考訳（メタデータ） (2020-12-22T10:46:37Z)
• Efficient and Stable Graph Scattering Transforms via Pruning [86.76336979318681]
  グラフ散乱変換(GST)は、グラフデータから特徴を抽出する訓練のないディープGCNモデルを提供する。 GSTが支払う価格は、層の数によって増加する空間と時間の指数関数的な複雑さである。 本研究は, GST の複雑性の限界に対処し, 効率的な (p) GST アプローチを導入する。
  論文  参考訳（メタデータ） (2020-01-27T16:05:56Z)

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。