Fugu-MT 論文翻訳(概要): Qubit noise deconvolution

論文の概要: Qubit noise deconvolution

arxiv url: http://arxiv.org/abs/2112.03043v2
Date: Fri, 28 Jan 2022 08:41:15 GMT
ステータス: 処理完了
システム内更新日: 2023-03-05 10:05:39.193473
Title: Qubit noise deconvolution
Title（参考訳）: qubitノイズデコンボリューション
Authors: Stefano Mangini, Lorenzo Maccone, Chiara Macchiavello
Abstract要約: 量子ビットシステム上で任意の測定を行う際に,広帯域ノイズを除去するノイズデコンボリューション手法を提案する。データ処理ステップでこれを利用して、既知の雑音を受けるキュービットシステムで評価された可観測物のノイズのない推定値を得る。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a noise deconvolution technique to remove a wide class of noises when performing arbitrary measurements on qubit systems. In particular, we derive the inverse map of the most common single qubit noisy channels and exploit it at the data processing step to obtain noise-free estimates of observables evaluated on a qubit system subject to known noise. We illustrate a self-consistency check to ensure that the noise characterization is accurate providing simulation results for the deconvolution of a generic Pauli channel, as well as experimental evidence of the deconvolution of decoherence noise occurring on Rigetti quantum hardware.
Abstract（参考訳）: 量子ビットシステム上で任意の測定を行う際に,広帯域ノイズを除去するノイズデコンボリューション手法を提案する。特に、最も一般的な単一キュービットノイズチャネルの逆写像を導出し、データ処理ステップで利用して、既知の雑音を受けるキュービットシステムで評価された可観測物のノイズフリー推定値を得る。本稿では,総称パウリチャネルのデコンボリューションに対するシミュレーション結果と,リゲッティ量子ハードウェア上で発生するデコヒーレンスノイズのデコンボリューションの実験的証拠を提供するために,ノイズ特性が正確であることを保証するための自己矛盾チェックを示す。

関連論文リスト

Bayesian Inference of General Noise Model Parameters from Surface Code's Syndrome Statistics [0.0]
表面符号のテンソルネットワークシミュレータを統合する一般雑音モデルベイズ推論法を提案する。雑音パラメータが一定であり変化しない定常雑音に対しては,マルコフ連鎖モンテカルロに基づく手法を提案する。より現実的な状況である時間変化ノイズに対しては、シーケンシャルなモンテカルロに基づく別の手法を導入する。
論文参考訳（メタデータ） (2024-06-13T10:26:04Z)
Some aspects of noise in binary classification with quantum circuits [2.2311710049695446]
本研究では,量子回路を用いた二値分類の性能に及ぼす実量子ハードウェアの影響について検討した。データ中のノイズが正規化器として機能することを示し、機械学習問題のある場合のノイズによる潜在的な利点を示唆する。
論文参考訳（メタデータ） (2022-11-11T22:06:17Z)
Multi-qubit noise deconvolution and characterization [0.0]
本稿では,n-qubits量子チャネルの出力におけるノイズのない可観測物の予測値を求めるノイズデコンボリューション手法を提案する。我々のプロトコルは、どんなノイズモデルにも、あらゆる数の量子ビットにも当てはまり、相関も存在します。
論文参考訳（メタデータ） (2022-07-25T17:53:36Z)
High-Order Qubit Dephasing at Sweet Spots by Non-Gaussian Fluctuators: Symmetry Breaking and Floquet Protection [55.41644538483948]
非ガウスゆらぎによるqubit dephasingについて検討した。非ガウス雑音に特有の対称性破壊効果を予測する。
論文参考訳（メタデータ） (2022-06-06T18:02:38Z)
C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
論文参考訳（メタデータ） (2022-02-19T05:53:46Z)
Learning Noise via Dynamical Decoupling of Entangled Qubits [49.38020717064383]
絡み合った量子系のノイズは、複数の自由度を含む多体効果のために特徴付けるのが困難である。 2キュービットゲートで発生する雑音を特徴付けるマルチキュービットダイナミックデカップリングシーケンスを開発し,適用する。
論文参考訳（メタデータ） (2022-01-26T20:22:38Z)
Fingerprints of Qubit Noise in Transient Cavity Transmission [0.0]
フォトニックキャビティ内における制御パラメータの変動を考慮した汎用的な2レベルシステムについて検討する。ノイズスペクトル密度の基本的な特徴は、キャビティを透過する過渡透過に印字されることが判明した。周波数帯域における任意の雑音に対するスペクトル密度を、キュービットキャビティデチューニングの範囲のみに限定して抽出する方法を提案する。
論文参考訳（メタデータ） (2022-01-21T12:37:27Z)
Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
論文参考訳（メタデータ） (2021-09-18T14:51:24Z)
Mitigating depolarizing noise on quantum computers with noise-estimation circuits [1.3375143521862154]
本稿では、まず、雑音推定回路を用いて、その周波数を推定することで、脱分極ノイズを緩和する手法を提案する。我々は,数百個のCNOTゲートを含む回路であっても,読み出し誤り訂正,コンパイル,ランダム化,ゼロノイズ外挿と組み合わせることで,正確な結果が得られた。
論文参考訳（メタデータ） (2021-03-15T17:59:06Z)
Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文参考訳（メタデータ） (2020-11-30T02:49:36Z)
A deep learning model for noise prediction on near-term quantum devices [137.6408511310322]
我々は、量子デバイスからの実験データに基づいて畳み込みニューラルネットワークをトレーニングし、ハードウェア固有のノイズモデルを学ぶ。コンパイラはトレーニングされたネットワークをノイズ予測器として使用し、期待されるノイズを最小限に抑えるために回路にゲートのシーケンスを挿入する。
論文参考訳（メタデータ） (2020-05-21T17:47:29Z)

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。