論文の概要: Neural Error Mitigation of Near-Term Quantum Simulations

• arxiv url: http://arxiv.org/abs/2105.08086v1
• Date: Mon, 17 May 2021 18:00:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 14:12:47.897505
• Title: Neural Error Mitigation of Near-Term Quantum Simulations
• Title（参考訳）: 近接量子シミュレーションのニューラルエラー軽減
• Authors: Elizabeth R. Bennewitz, Florian Hopfmueller, Bohdan Kulchytskyy, Juan Carrasquilla and Pooya Ronagh
• Abstract要約: ニューラルネットワークを用いて地下状態と地下状態の観測器の推定を改善する新しい方法である$textitneural error mitigation$を紹介します。 その結果, ニューラルエラーの低減により, 数値計算と実験的VQE計算が向上し, 低エネルギー誤差が得られた。 提案手法は,複雑な量子シミュレーション問題を解くために,短期量子コンピュータの到達範囲を広げる有望な戦略である。
• 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: One of the promising applications of early quantum computers is the simulation of quantum systems. Variational methods for near-term quantum computers, such as the variational quantum eigensolver (VQE), are a promising approach to finding ground states of quantum systems relevant in physics, chemistry, and materials science. These approaches, however, are constrained by the effects of noise as well as the limited quantum resources of near-term quantum hardware, motivating the need for quantum error mitigation techniques to reduce the effects of noise. Here we introduce $\textit{neural error mitigation}$, a novel method that uses neural networks to improve estimates of ground states and ground-state observables obtained using VQE on near-term quantum computers. To demonstrate our method's versatility, we apply neural error mitigation to finding the ground states of H$_2$ and LiH molecular Hamiltonians, as well as the lattice Schwinger model. Our results show that neural error mitigation improves the numerical and experimental VQE computation to yield low-energy errors, low infidelities, and accurate estimations of more-complex observables like order parameters and entanglement entropy, without requiring additional quantum resources. Additionally, neural error mitigation is agnostic to both the quantum hardware and the particular noise channel, making it a versatile tool for quantum simulation. Applying quantum many-body machine learning techniques to error mitigation, our method is a promising strategy for extending the reach of near-term quantum computers to solve complex quantum simulation problems.
• Abstract（参考訳）: 初期の量子コンピュータの有望な応用の一つは、量子システムのシミュレーションである。 変分量子固有解法(VQE)のような短期量子コンピュータの変分法は、物理学、化学、材料科学に関連する量子系の基底状態を見つけるための有望なアプローチである。 しかし、これらのアプローチはノイズの影響と、短期的な量子ハードウェアの限られた量子資源によって制限されており、ノイズの影響を減らすために量子誤差緩和技術が必要である。 ここでは、ニューラルネットワークを用いて基底状態の推定と、VQEを用いて短期量子コンピュータ上で得られた基底状態観測値を改善する新しい手法である$\textit{neural error mitigation}$を紹介する。 本手法の汎用性を示すために, 格子シュウィンガーモデルと同様に, h$_2$およびlih分子ハミルトニアンの基底状態を求めるために, ニューラルエラー緩和を適用する。 この結果から, ニューラルネットワークの誤差緩和により, 量子資源を必要とせず, 低エネルギー誤差, 低不確かさ, および高次パラメータや絡み合いエントロピーなどの複雑な観測対象の正確な推定値が得られることが示唆された。 さらに、ニューラルエラー軽減は量子ハードウェアと特定のノイズチャネルの両方に依存せず、量子シミュレーションのための汎用的なツールである。 量子多体機械学習手法を誤差緩和に適用し,提案手法は,複雑な量子シミュレーション問題を解決するために,短期量子コンピュータの到達範囲を広げる有望な戦略である。

関連論文リスト

• Understanding and mitigating noise in molecular quantum linear response for spectroscopic properties on quantum computers [0.0]
  本稿では、シミュレーションされたフォールトトレラント量子コンピュータの分光特性を求める量子線形応答理論について述べる。 この研究は、量子アルゴリズムにおけるノイズの起源を分析し予測するための新しいメトリクスを導入している。 パウリ省エネによる計測コストと騒音の低減効果を強調した。
  論文  参考訳（メタデータ） (2024-08-17T23:46:17Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Noise-assisted digital quantum simulation of open systems [1.3124513975412255]
  本稿では,オープン量子システムのシミュレーションに必要な計算資源を削減するために,量子デバイス固有のノイズを利用する新しい手法を提案する。 具体的には、量子回路におけるデコヒーレンス率を選択的に向上または低減し、開系力学の所望のシミュレーションを実現する。
  論文  参考訳（メタデータ） (2023-02-28T14:21:43Z)
• Non-Markovian noise sources for quantum error mitigation [0.0]
  NISQデバイスに適した量子状態進化の非マルコフモデルと量子誤差緩和コスト関数を提案する。 その結果,量子システムと環境との結合強度が増大するにつれて,量子エラー低減のコスト関数が増加することがわかった。
  論文  参考訳（メタデータ） (2023-02-10T05:10:27Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Model-Independent Error Mitigation in Parametric Quantum Circuits and Depolarizing Projection of Quantum Noise [1.5162649964542718]
  与えられたハミルトニアンの基底状態と低い励起を見つけることは、物理学の多くの分野において最も重要な問題の一つである。 Noisy Intermediate-Scale Quantum (NISQ) デバイス上の量子コンピューティングは、そのような計算を効率的に実行する可能性を提供する。 現在の量子デバイスは、今でも固有の量子ノイズに悩まされている。
  論文  参考訳（メタデータ） (2021-11-30T16:08:01Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Minimizing estimation runtime on noisy quantum computers [0.0]
  ベイズ推論の実行には、ELF(Engineered chance function)が用いられる。 物理ハードウェアがノイズの多い量子コンピュータの仕組みから遷移するにつれて,ELF形式がサンプリングにおける情報ゲイン率をいかに向上させるかを示す。 この技術は、化学、材料、ファイナンスなどを含む多くの量子アルゴリズムの中心的なコンポーネントを高速化する。
  論文  参考訳（メタデータ） (2020-06-16T17:46:18Z)
• An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
  小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。 量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
  論文  参考訳（メタデータ） (2020-05-06T14:18:44Z)

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。