Fugu-MT 論文翻訳(概要): Model-free readout-error mitigation for quantum expectation values

論文の概要: Model-free readout-error mitigation for quantum expectation values

arxiv url: http://arxiv.org/abs/2012.09738v3
Date: Thu, 27 Jan 2022 15:23:15 GMT
ステータス: 処理完了
システム内更新日: 2023-04-20 08:26:23.568462
Title: Model-free readout-error mitigation for quantum expectation values
Title（参考訳）: 量子期待値に対するモデルフリー読み出しエラー緩和
Authors: Ewout van den Berg, Zlatko K. Minev, Kristan Temme
Abstract要約: 本稿では,期待値のバイアスが乗算因子として現れるように強制する手法を提案する。この手法は、ノイズの特定の形態を前提としないが、過度なサンプリングオーバーヘッドを避けるために、ノイズが弱いことを要求している。
参考スコア（独自算出の注目度）: 0.8962460460173959
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Measurements on current quantum processors are subject to hardware imperfections that lead to readout errors. These errors manifest themselves as a bias in quantum expectation values. Here, we propose a very simple method that forces the bias in the expectation value to appear as a multiplicative factor that can be measured directly and removed at the cost of an increase in the sampling complexity for the observable. The method assumes no specific form of the noise, but only requires that the noise is `weak' to avoid excessive sampling overhead. We provide bounds relating the error in the expectation value to the sample complexity.
Abstract（参考訳）: 現在の量子プロセッサの測定は、ハードウェアの欠陥によって読み出しエラーにつながる。これらの誤差は量子期待値のバイアスとして表される。そこで本論文では,期待値のバイアスを,可観測値のサンプリング複雑性の増加を犠牲にして直接かつ除去可能な乗算係数として表せる,非常に単純な手法を提案する。この方法はノイズの特定の形を仮定しないが、過度のサンプリングオーバーヘッドを避けるためにノイズが '弱' であることのみを必要とする。サンプルの複雑さに期待値の誤差を関連づける境界を提供する。

関連論文リスト

Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文参考訳（メタデータ） (2024-06-05T13:36:38Z)
Inverted-circuit zero-noise extrapolation for quantum gate error mitigation [0.0]
本稿では,量子回路で発生する誤差の強度を簡易に推定する手法を提案する。逆回路を付加し、初期状態の確率を測定することにより、回路の誤差強度を決定する。提案手法は,現在のハードウェアにおいて特に有効であることが証明され,その短期量子コンピューティングアプリケーションへの適用性を示す。
論文参考訳（メタデータ） (2024-03-03T20:27:27Z)
Which Pretrain Samples to Rehearse when Finetuning Pretrained Models? [60.59376487151964]
特定のタスクに関する微調整済みモデルが、テキストとビジョンタスクの事実上のアプローチになった。このアプローチの落とし穴は、微調整中に起こる事前学習の知識を忘れることである。本研究では,実際に忘れられているサンプルを識別・優先順位付けする新しいサンプリング手法であるmix-cdを提案する。
論文参考訳（メタデータ） (2024-02-12T22:32:12Z)
Exponentially tighter bounds on limitations of quantum error mitigation [2.936007114555107]
短期量子コンピューティングにおいて、望ましくない、避けられない誤りに対処する手段として、量子エラー軽減法が提案されている。本研究では,より大きなシステムサイズに対して,量子ノイズを効果的に排除できる程度に強い制約を課す。
論文参考訳（メタデータ） (2022-10-20T18:12:42Z)
Universal Sampling Lower Bounds for Quantum Error Mitigation [0.0]
我々は、基本サンプリングコスト -- 任意の緩和プロトコルがノイズの多い量子デバイスを実行しなければならない回数 -- を特徴付けている。この結果から,様々なノイズモデルに対して回路深度を指数関数的に増加させ,誤差を低減させるプロトコルの幅広い種類に要するサンプリングコストが増大することが示唆された。
論文参考訳（メタデータ） (2022-08-19T06:56:11Z)
The Accuracy vs. Sampling Overhead Trade-off in Quantum Error Mitigation Using Monte Carlo-Based Channel Inversion [84.66087478797475]
量子誤差緩和(Quantum error mitigation, QEM)は、変分量子アルゴリズムの計算誤差を低減するための有望な手法の1つである。我々はモンテカルロサンプリングに基づく実用的なチャネル反転戦略を考察し、さらなる計算誤差を導入する。計算誤差が誤差のない結果の動的範囲と比較して小さい場合、ゲート数の平方根でスケールすることを示す。
論文参考訳（メタデータ） (2022-01-20T00:05:01Z)
Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文参考訳（メタデータ） (2021-10-21T07:28:11Z)
Quasiprobability decompositions with reduced sampling overhead [4.38301148531795]
量子エラー軽減技術は、フォールトトレラントな量子エラー補正を必要とせずに、現在の量子ハードウェアのノイズを低減することができる。本稿では, 準確率分解を雑音を考慮した方法で選択することを目的とした, 数学的最適化に基づく新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-01-22T19:00:06Z)
Sampling Overhead Analysis of Quantum Error Mitigation: Uncoded vs. Coded Systems [69.33243249411113]
パウリの誤差は、多数の現実的な量子チャネルの中で最も低いサンプリングオーバーヘッドをもたらすことを示す。我々はQEMと量子チャネル符号化を併用する手法を考案し、純粋なQEMと比較してサンプリングオーバーヘッドの低減を解析する。
論文参考訳（メタデータ） (2020-12-15T15:51:27Z)
A Note on High-Probability versus In-Expectation Guarantees of Generalization Bounds in Machine Learning [95.48744259567837]
統計的機械学習理論は、しばしば機械学習モデルの一般化を保証するよう試みる。機械学習モデルのパフォーマンスに関する声明は、サンプリングプロセスを考慮する必要がある。 1つのステートメントを別のステートメントに変換する方法を示します。
論文参考訳（メタデータ） (2020-10-06T09:41:35Z)
Multi-exponential Error Extrapolation and Combining Error Mitigation Techniques for NISQ Applications [0.0]
量子ハードウェアにおけるノイズは、量子コンピュータの実装における最大の障害である。誤り補間は、実験的に実装された誤り軽減手法である。我々はこれを多重指数誤差外挿に拡張し、パウリ雑音下での有効性のより厳密な証明を提供する。
論文参考訳（メタデータ） (2020-07-02T17:18:47Z)

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。