論文の概要: Sampling Strategy Optimization for Randomized Benchmarking
- arxiv url: http://arxiv.org/abs/2109.07653v1
- Date: Thu, 16 Sep 2021 01:14:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 22:50:41.986570
- Title: Sampling Strategy Optimization for Randomized Benchmarking
- Title（参考訳）: ランダム化ベンチマークにおけるサンプリング戦略最適化
- Authors: Toshinari Itoko and Rudy Raymond
- Abstract要約: ベンチマーク(RB)は、量子コンピューティングデバイスに実装されたゲートの平均忠実度を推定するために広く用いられる手法である。
本稿では, RB構成を最適化し, 推定忠実度の信頼区間を最小化する手法を提案する。
- 参考スコア（独自算出の注目度）: 4.7362989868031855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Randomized benchmarking (RB) is a widely used method for estimating the
average fidelity of gates implemented on a quantum computing device. The
stochastic error of the average gate fidelity estimated by RB depends on the
sampling strategy (i.e., how to sample sequences to be run in the protocol).
The sampling strategy is determined by a set of configurable parameters (an RB
configuration) that includes Clifford lengths (a list of the number of
independent Clifford gates in a sequence) and the number of sequences for each
Clifford length. The RB configuration is often chosen heuristically and there
has been little research on its best configuration. Therefore, we propose a
method for fully optimizing an RB configuration so that the confidence interval
of the estimated fidelity is minimized while not increasing the total execution
time of sequences. By experiments on real devices, we demonstrate the efficacy
of the optimization method against heuristic selection in reducing the variance
of the estimated fidelity.
- Abstract（参考訳）: ランダム化ベンチマーク(Randomized benchmarking, RB)は、量子コンピューティングデバイスに実装されたゲートの平均忠実度を推定する手法である。
rb によって推定される平均ゲート忠実度の平均の確率的誤差はサンプリング戦略(すなわちプロトコルで実行するサンプルシーケンスの方法)に依存する。
サンプリング戦略は、クリフォード長さ(シーケンス内の独立したクリフォードゲートの数のリスト)と各クリフォード長さのシーケンス数を含む構成可能なパラメータ(RB構成)のセットで決定される。
rb構成はしばしばヒューリスティックに選択され、最良の構成についてはほとんど研究されていない。
そこで本研究では,シーケンス全体の実行時間を増加させずに,推定忠実性の信頼区間を最小化するために,rb構成を完全に最適化する手法を提案する。
実機実験により,推定忠実度の分散を低減するため,ヒューリスティック選択に対する最適化手法の有効性を実証した。
関連論文リスト
- Scaling LLM Inference with Optimized Sample Compute Allocation [56.524278187351925]
我々は、異なる推論構成の最適な混合を見つけるアルゴリズムであるOSCAを提案する。
実験の結果,学習した混合アロケーションでは,最高の単一構成よりも精度がよいことがわかった。
OSCAはシングルターンタスク以外のエージェント処理にも有効であることが示されており、デフォルト設定よりも3倍少ない計算でSWE-Benchの精度が向上している。
論文 参考訳（メタデータ） (2024-10-29T19:17:55Z) - Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。
本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。
本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-17T11:47:56Z) - Adaptive Online Bayesian Estimation of Frequency Distributions with Local Differential Privacy [0.4604003661048266]
本稿では, 局所微分プライバシー(LDP)フレームワークを用いて, 有限個のカテゴリの周波数分布を適応的かつオンラインに推定する手法を提案する。
提案アルゴリズムは, 後方サンプリングによるベイズパラメータ推定を行い, 得られた後方サンプルに基づいて, LDPのランダム化機構を適用する。
提案手法は, (i) アルゴリズムがターゲットとする後続分布が近似した後続サンプリングであっても真のパラメータに収束し, (ii) アルゴリズムが後続サンプリングを正確に行えば高い確率で最適サブセットを選択することを示す理論解析である。
論文 参考訳（メタデータ） (2024-05-11T13:59:52Z) - Optimized experiment design and analysis for fully randomized
benchmarking [34.82692226532414]
完全ランダム化ベンチマークの利点について検討し、実験毎に新しいランダムシーケンスを描画する。
完全なランダム化の利点は、推論されたステップエラーに対する信頼区間が小さいことである。
我々は, クリフォードランダム化ベンチマーク実験において, 単一イオン量子ビット上のそのような改善を実験的に観察した。
論文 参考訳（メタデータ） (2023-12-26T00:41:47Z) - Benchmarking optimality of time series classification methods in
distinguishing diffusions [1.0775419935941009]
本研究は, 確率比試験(LRT)による拡散過程の識別におけるTSCアルゴリズムの最適性を評価することを提案する。
LRTベンチマークは、LRTがトレーニングを必要とせず、拡散過程を効率的にシミュレートでき、現実世界のアプリケーションの特徴を反映する柔軟性があるため、計算的に効率的である。
論文 参考訳（メタデータ） (2023-01-30T17:49:12Z) - Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。
本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。
我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文 参考訳（メタデータ） (2022-09-27T07:58:25Z) - Faster Born probability estimation via gate merging and frame
optimisation [3.9198548406564604]
任意の量子回路の出力確率はモンテカルロサンプリングを用いて推定できる。
回路ゲート最適化とフレーム最適化の2つの古典的なサブルーチンを提案する。
提案手法は, ランダム回路の全ての試験ケースに対して, 負性率オーバーヘッドのスケーリングを改良するものであることを数値的に示す。
論文 参考訳（メタデータ） (2022-02-24T14:18:34Z) - Variational Refinement for Importance Sampling Using the Forward
Kullback-Leibler Divergence [77.06203118175335]
変分推論(VI)はベイズ推論における正確なサンプリングの代替として人気がある。
重要度サンプリング(IS)は、ベイズ近似推論手順の推定を微調整し、偏りを逸脱するためにしばしば用いられる。
近似ベイズ推論のための最適化手法とサンプリング手法の新たな組み合わせを提案する。
論文 参考訳（メタデータ） (2021-06-30T11:00:24Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-06-22T16:07:02Z) - Coherent randomized benchmarking [68.8204255655161]
独立サンプルではなく,異なるランダム配列の重ね合わせを用いることを示す。
これは、ベンチマーク可能なゲートに対して大きなアドバンテージを持つ、均一でシンプルなプロトコルにつながることを示す。
論文 参考訳（メタデータ） (2020-10-26T18:00:34Z) - Decentralised Learning with Random Features and Distributed Gradient
Descent [39.00450514924611]
本研究では,不規則な正規化とランダムな特徴を持つ分散グラディエントDescentの均質な環境下での一般化性能について検討する。
ステップサイズ,繰り返し回数,通信行列の逆スペクトルギャップ,ランダム特徴数の関数として,各エージェントの予測性能に高い確率境界を確立する。
本稿では,ランダムな特徴数,イテレーション数,サンプル数が予測性能に与える影響をシミュレーションで示す。
論文 参考訳（メタデータ） (2020-07-01T09:55:09Z)
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。