論文の概要: Fitting quantum noise models to tomography data
- arxiv url: http://arxiv.org/abs/2103.17243v3
- Date: Wed, 29 Nov 2023 18:44:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 04:32:26.431739
- Title: Fitting quantum noise models to tomography data
- Title（参考訳）: トモグラフィーデータへの量子ノイズモデルの適用
- Authors: Emilio Onorati, Tamara Kohler, and Toby S. Cubitt
- Abstract要約: 我々は未知のノイズ過程を分析し評価するアルゴリズムを開発した。
マルコフ進化に整合した力学の場合、我々のアルゴリズムは最良のリンドブラディアンを出力する。
非マルコフ力学の場合、我々のアルゴリズムは非マルコフ性の定量的かつ操作的に有意な測度を返す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The presence of noise is currently one of the main obstacles to achieving
large-scale quantum computation. Strategies to characterise and understand
noise processes in quantum hardware are a critical part of mitigating it,
especially as the overhead of full error correction and fault-tolerance is
beyond the reach of current hardware. Non-Markovian effects are a particularly
unfavourable type of noise, being both harder to analyse using standard
techniques and more difficult to control using error correction. In this work
we develop a set of efficient algorithms, based on the rigorous mathematical
theory of Markovian master equations, to analyse and evaluate unknown noise
processes. In the case of dynamics consistent with Markovian evolution, our
algorithm outputs the best-fit Lindbladian, i.e., the generator of a memoryless
quantum channel which best approximates the tomographic data to within the
given precision. In the case of non-Markovian dynamics, our algorithm returns a
quantitative and operationally meaningful measure of non-Markovianity in terms
of isotropic noise addition. We provide a Python implementation of all our
algorithms, and benchmark these on a range of 1- and 2-qubit examples of
synthesised noisy tomography data, generated using the Cirq platform. The
numerical results show that our algorithms succeed both in extracting a full
description of the best-fit Lindbladian to the measured dynamics, and in
computing accurate values of non-Markovianity that match analytical
calculations.
- Abstract（参考訳）: ノイズの存在は、現在、大規模な量子計算を達成するための主要な障害の1つである。
量子ハードウェアにおけるノイズプロセスの特徴付けと理解の戦略は、特に完全なエラー修正とフォールトトレランスのオーバーヘッドが現在のハードウェアの範囲を超えているため、それを緩和する重要な部分である。
非マルコフ効果は特に望ましくない種類のノイズであり、標準技術を用いて解析することは困難であり、誤り訂正を用いて制御することが困難である。
本研究では,マルコフマスター方程式の厳密な数学的理論に基づいて,未知雑音過程の解析・評価を行う効率的なアルゴリズムを開発した。
マルコフ進化に整合した力学の場合、我々のアルゴリズムは最も適したリンドブラディアン、すなわち、トモグラフィーデータを与えられた精度内で最も近似したメモリレス量子チャネルの生成を出力する。
非マルコフ力学の場合、このアルゴリズムは等方性雑音付加の観点で非マルコフ性についての定量的かつ操作上有意義な尺度を返す。
我々は全てのアルゴリズムのpython実装を提供し、cirqプラットフォームを用いて生成された合成雑音トモグラフィデータの1ビットおよび2量子ビットのサンプルでこれらをベンチマークします。
数値計算の結果から,本アルゴリズムは,計測力学に対する最適リンドブラジアンの完全な記述と,解析計算に適合する非マルコフ性を正確に計算することに成功した。
関連論文リスト
- Information limits and Thouless-Anderson-Palmer equations for spiked matrix models with structured noise [19.496063739638924]
構造スパイクモデルに対するベイズ推定の飽和問題を考える。
適応的なThouless-Anderson-Palmer方程式の理論にインスパイアされた効率的なアルゴリズムを用いて、統計的限界を予測する方法を示す。
論文 参考訳（メタデータ） (2024-05-31T16:38:35Z) - Optimized Noise Suppression for Quantum Circuits [0.46040036610482665]
現在の量子計算ハードウェアはノイズに悩まされており、誤り訂正には小さすぎる。
ここでは、クロストークノイズを効率よく特徴づけ、緩和する。これは、例えば、クロス共鳴ベースの超伝導量子プロセッサにおける重大エラー源である。
キャラクタリゼーション後、ノイズ対応量子ビットルーティングアルゴリズムにより量子回路のノイズを緩和する。
論文 参考訳（メタデータ） (2024-01-12T07:34:59Z) - Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。
特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
論文 参考訳（メタデータ） (2023-02-13T19:57:17Z) - Optimizing the Noise in Self-Supervised Learning: from Importance
Sampling to Noise-Contrastive Estimation [80.07065346699005]
GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。
我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。
本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
論文 参考訳（メタデータ） (2023-01-23T19:57:58Z) - Characterizing and mitigating coherent errors in a trapped ion quantum
processor using hidden inverses [0.20315704654772418]
量子コンピューティングテストベッドは、量子ビットの小さな集合に対して高忠実な量子制御を示す。
これらのノイズの多い中間スケールデバイスは、デコヒーレンスの前に十分な数のシーケンシャルな操作をサポートすることができる。
これらのアルゴリズムの結果は不完全であるが、これらの不完全性は量子コンピュータのテストベッド開発をブートストラップするのに役立ちます。
論文 参考訳（メタデータ） (2022-05-27T20:35:24Z) - Optimization and Noise Analysis of the Quantum Algorithm for Solving
One-Dimensional Poisson Equation [17.65730040410185]
一次元ポアソン方程式を解くための効率的な量子アルゴリズムを提案する。
このアルゴリズムをさらに発展させ、ノイズの多い中間スケール量子(NISQ)デバイスにおける実際の応用に近づける。
我々は、IBM Qiskitツールキットを用いて、実量子デバイスに存在する一般的なノイズがアルゴリズムに与える影響を分析する。
論文 参考訳（メタデータ） (2021-08-27T09:44:41Z) - Near-Optimal High Probability Complexity Bounds for Non-Smooth
Stochastic Optimization with Heavy-Tailed Noise [63.304196997102494]
アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。
既存の非滑らか凸最適化法は、負のパワーまたは対数的な信頼度に依存する境界の複雑さを持つ。
クリッピングを用いた2つの勾配法に対して, 新たなステップサイズルールを提案する。
論文 参考訳（メタデータ） (2021-06-10T17:54:21Z) - Learning based signal detection for MIMO systems with unknown noise
statistics [84.02122699723536]
本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。
実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。
我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
論文 参考訳（メタデータ） (2021-01-21T04:48:15Z) - Modeling and mitigation of cross-talk effects in readout noise with
applications to the Quantum Approximate Optimization Algorithm [0.0]
雑音の緩和は、上界を導出する誤差まで行うことができる。
ノイズモデルとエラー軽減スキームの両方をテストするためにIBMのデバイスを使用した15(23)量子ビットの実験。
浅層深度ランダム回路によって生成されるHaar-random量子状態と状態に対して、同様の効果が期待できることを示す。
論文 参考訳（メタデータ） (2021-01-07T02:19:58Z) - Efficient and robust certification of genuine multipartite entanglement
in noisy quantum error correction circuits [58.720142291102135]
実効多部絡み(GME)認証のための条件付き目撃手法を導入する。
線形な二分割数における絡み合いの検出は, 多数の測定値によって線形にスケールし, GMEの認証に十分であることを示す。
本手法は, 距離3の位相的カラーコードとフラグベースの耐故障バージョンにおける安定化作用素の雑音可読化に適用する。
論文 参考訳（メタデータ） (2020-10-06T18:00:07Z) - Active Model Estimation in Markov Decision Processes [108.46146218973189]
マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。
マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
論文 参考訳（メタデータ） (2020-03-06T16:17:24Z)
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。