Fugu-MT 論文翻訳(概要): Wildcard error: Quantifying unmodeled errors in quantum processors

論文の概要: Wildcard error: Quantifying unmodeled errors in quantum processors

arxiv url: http://arxiv.org/abs/2012.12231v1
Date: Tue, 22 Dec 2020 18:22:08 GMT
ステータス: 処理完了
システム内更新日: 2023-04-19 22:06:51.430273
Title: Wildcard error: Quantifying unmodeled errors in quantum processors
Title（参考訳）: ワイルドカードエラー:量子プロセッサにおける非モデルエラーの定量化
Authors: Robin Blume-Kohout, Kenneth Rudinger, Erik Nielsen, Timothy Proctor, and Kevin Young
Abstract要約: 量子コンピューティングプロセッサのエラーモデルは、理想的な振る舞いから逸脱し、アプリケーションにおける結果を予測する。パラメータ化ワイルドカード誤りモデルを用いて誤りモデルを増大させることにより,不整合を解消し,非モデル誤差率を定量化する方法を示す。データとの整合性を取り戻すのに必要なワイルドカードエラーの量は、どれだけの非モデル化エラーが観測されたかを定量化する。
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: Error models for quantum computing processors describe their deviation from ideal behavior and predict the consequences in applications. But those processors' experimental behavior -- the observed outcome statistics of quantum circuits -- are rarely consistent with error models, even in characterization experiments like randomized benchmarking (RB) or gate set tomography (GST), where the error model was specifically extracted from the data in question. We show how to resolve these inconsistencies, and quantify the rate of unmodeled errors, by augmenting error models with a parameterized wildcard error model. Adding wildcard error to an error model relaxes and weakens its predictions in a controlled way. The amount of wildcard error required to restore consistency with data quantifies how much unmodeled error was observed, in a way that facilitates direct comparison to standard gate error rates. Using both simulated and experimental data, we show how to use wildcard error to reconcile error models derived from RB and GST experiments with inconsistent data, to capture non-Markovianity, and to quantify all of a processor's observed error.
Abstract（参考訳）: 量子コンピューティングプロセッサのエラーモデルは、理想的な振る舞いから逸脱し、アプリケーションにおける結果を予測する。しかし、これらのプロセッサの実験的な動作(量子回路の観測結果統計)は、ランダム化ベンチマーク(rb)やゲートセットトモグラフィ(gst)のような特徴付け実験でも、エラーモデルとほとんど一致しない。パラメータ化されたワイルドカードエラーモデルを用いてエラーモデルを増大させることにより、これらの矛盾を解決する方法を示し、非モデルエラーの頻度を定量化する。エラーモデルにワイルドカードエラーを追加することは、制御された方法で予測を緩和し、弱める。データとの一貫性を回復するために必要となるワイルドカードエラー量は、標準ゲートエラーレートと直接比較しやすい方法で、どれだけの非モデル化エラーが観測されたかを定量化する。シミュレーションデータと実験データの両方を用いて,rbおよびgst実験から得られた誤差モデルを不整合データと照合し,非マルコビアン性をキャプチャし,プロセッサの観測誤差をすべて定量化する手法を示す。

関連論文リスト

Subtle Errors Matter: Preference Learning via Error-injected Self-editing [59.405145971637204]
eRror-Injected Self-Editing (RISE) と呼ばれる新しい好み学習フレームワークを提案する。 RISEは定義済みの微妙な誤りを正しい解の部分的なトークンに注入し、エラー軽減のためにハードペアを構築する。 RISEの有効性を検証する実験では、Qwen2-7B-Instructでは、GSM8Kでは3.0%、MATHでは7.9%が顕著に改善された。
論文参考訳（メタデータ） (2024-10-09T07:43:38Z)
Bounding the systematic error in quantum error mitigation due to model violation [0.0]
本研究では,エラーモデルの不正確さがエラー軽減に与える影響について,上界を効率的に計算する手法を開発した。我々のプロトコルは追加の実験を必要とせず、代わりにエラーモデルとエラー学習データの比較に頼っている。推定上界は、通常、ランダム回路上での誤差軽減の最悪の観測性能に近いことが示される。
論文参考訳（メタデータ） (2024-08-20T16:27:00Z)
Using Detector Likelihood for Benchmarking Quantum Error Correction [0.0]
実際の量子ハードウェアの挙動は、量子エラー補正をシミュレートする際に一般的に使用される単純なエラーモデルと大きく異なる。本研究では,誤差検出の発生頻度を定量化する平均検出率を用いて,これを実現できることを示す。このことは、単純な一様雑音モデルに対するシミュレーションが同じ平均検出可能性をもたらすような効果的な誤差率と、論理的誤差率のよい予測を定義するために用いられる。
論文参考訳（メタデータ） (2024-08-04T16:34:38Z)
Parameter-tuning-free data entry error unlearning with adaptive selective synaptic dampening [51.34904967046097]
本稿では,パラメータチューニングの必要性を排除した選択的シナプス減衰アンラーニング法の拡張を提案する。本稿では,ResNet18とVision Transformerの未学習タスクにおける適応選択的シナプス減衰(ASSD)の性能を示す。このアプローチの適用は、サプライチェーン管理などの産業環境において特に魅力的である。
論文参考訳（メタデータ） (2024-02-06T14:04:31Z)
Witnessing entanglement in trapped-ion quantum error correction under realistic noise [41.94295877935867]
量子誤り補正(Quantum Error Correction, QEC)は、論理情報を複数の物理量子ビットに符号化することで冗長性を利用する。トラップイオンプラットフォームで使用される2量子光シフトゲートの平均ゲート不忠実度を推定するために,詳細な顕微鏡誤差モデルを提案する。次に、この現実的な誤差モデルを適用し、QECビルディングブロックとして機能する回路によって生成されるマルチパーティントの絡み合いを定量化する。
論文参考訳（メタデータ） (2022-12-14T20:00:36Z)
Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
論文参考訳（メタデータ） (2022-06-04T19:45:02Z)
Understanding Factual Errors in Summarization: Errors, Summarizers, Datasets, Error Detectors [105.12462629663757]
本研究では、既存の9つのデータセットから事実性エラーアノテーションを集約し、基礎となる要約モデルに従ってそれらを階層化する。本稿では,この階層化ベンチマークにおいて,最近のChatGPTベースの指標を含む最先端の事実性指標の性能を比較し,その性能が様々な種類の要約モデルで大きく異なることを示す。
論文参考訳（メタデータ） (2022-05-25T15:26:48Z)
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)
Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
論文参考訳（メタデータ） (2021-06-07T06:21:20Z)
Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
論文参考訳（メタデータ） (2021-06-03T05:56:57Z)
Efficient flexible characterization of quantum processors with nested error models [0.0]
本稿では,量子プロセッサの優れたエラーモデルを求める手法を提案する。このテクニックは、プロセッサから取得したデータに対して、ネストしたモデルのシーケンスを反復的にテストする。シミュレーションノイズ2量子プロセッサのキャラクタリゼーションにこの手法を応用した。
論文参考訳（メタデータ） (2021-03-03T05:23:09Z)

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。