論文の概要: Improving the efficiency of learning-based error mitigation
- arxiv url: http://arxiv.org/abs/2204.07109v1
- Date: Thu, 14 Apr 2022 16:58:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-16 23:58:04.840897
- Title: Improving the efficiency of learning-based error mitigation
- Title（参考訳）: 学習に基づく誤り軽減の効率向上
- Authors: Piotr Czarnik, Michael McKerns, Andrew T. Sornborger, Lukasz Cincio
- Abstract要約: クリフォードデータ回帰(CDR)に基づく誤り軽減手法を提案する。
このスキームは、トレーニングデータを慎重に選択し、問題の対称性を活用することにより、フラジリティを向上させる。
提案手法は,従来のCDR手法と同等の精度を維持しつつ,桁違いに安価であることがわかった。
- 参考スコア（独自算出の注目度）: 0.8258451067861933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Error mitigation will play an important role in practical applications of
near-term noisy quantum computers. Current error mitigation methods typically
concentrate on correction quality at the expense of frugality (as measured by
the number of additional calls to quantum hardware). To fill the need for
highly accurate, yet inexpensive techniques, we introduce an error mitigation
scheme that builds on Clifford data regression (CDR). The scheme improves the
frugality by carefully choosing the training data and exploiting the symmetries
of the problem. We test our approach by correcting long range correlators of
the ground state of XY Hamiltonian on IBM Toronto quantum computer. We find
that our method is an order of magnitude cheaper while maintaining the same
accuracy as the original CDR approach. The efficiency gain enables us to obtain
a factor of $10$ improvement on the unmitigated results with the total budget
as small as $2\cdot10^5$ shots.
- Abstract（参考訳）: 誤差緩和は、短期雑音量子コンピュータの実用化において重要な役割を果たす。
現在の誤り軽減法は、通常、(量子ハードウェアへの追加呼び出し数によって測定されるように)フラガリティを犠牲にして、補正品質に集中する。
高精度で安価な手法の必要性を満たすため,クリフォードデータ回帰(CDR)に基づく誤り軽減手法を提案する。
このスキームは、トレーニングデータを慎重に選択し、問題の対称性を活用することにより、フラジリティを向上させる。
我々は、IBM Toronto量子コンピュータ上でXY Hamiltonianの基底状態の長距離相関を補正することで、我々のアプローチをテストする。
提案手法は,従来のCDR手法と同じ精度を維持しつつ,桁違いに安価であることがわかった。
効率の向上により、未完了の結果に対して10ドルの改善率を得ることができ、総予算は$2\cdot10^5$shotsである。
関連論文リスト
- Reinforcement Learning-based Adaptive Mitigation of Uncorrected DRAM Errors in the Field [0.6085230743289477]
メモリ内の不正エラーは現在のジョブを終了させ、最後のチェックポイントから全ての計算を無駄にする。
本稿では,修正されていない誤りの軽減を誘導する最初の適応手法を提案する。
MareNostrum スーパーコンピュータからの2年間の生産ログでは、この手法は減算を伴わず、損失計算時間を54%削減する。
論文 参考訳（メタデータ） (2024-07-23T11:04:33Z) - Online non-parametric likelihood-ratio estimation by Pearson-divergence
functional minimization [55.98760097296213]
iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。
本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
論文 参考訳（メタデータ） (2023-11-03T13:20:11Z) - Fast Flux-Activated Leakage Reduction for Superconducting Quantum
Circuits [84.60542868688235]
量子ビット実装のマルチレベル構造から生じる計算部分空間から漏れること。
パラメトリックフラックス変調を用いた超伝導量子ビットの資源効率向上のためのユニバーサルリーク低減ユニットを提案する。
繰り返し重み付け安定化器測定におけるリーク低減ユニットの使用により,検出されたエラーの総数を,スケーラブルな方法で削減できることを実証した。
論文 参考訳（メタデータ） (2023-09-13T16:21:32Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳（メタデータ） (2023-06-05T04:34:54Z) - Fault Tolerant Non-Clifford State Preparation for Arbitrary Rotations [3.47670594338385]
ゲートテレポーテーションのための資源状態を効率的に作成するためのポストセレクションに基づくアルゴリズムを提案する。
提案アルゴリズムは,符号距離による論理誤差の指数的抑制を実証し,耐故障性を実現する。
提案手法は,誤り訂正型およびノイズの多い中間規模量子コンピュータにおいて,量子アルゴリズムのリソース要求を削減するための有望な経路を示す。
論文 参考訳（メタデータ） (2023-03-30T13:46:52Z) - Hypothesis Testing for Error Mitigation: How to Evaluate Error
Mitigation [0.9405458160620533]
量子エラー軽減の枠組みの中で仮説テストを導入する。
本稿では,資源要求と緩和効率の両方を考慮に入れた包括的メリット指標を提案する。
特異な手法からなる16ドルの誤差軽減パイプラインを実験的に評価した。
論文 参考訳（メタデータ） (2023-01-06T19:16:08Z) - Measuring NISQ Gate-Based Qubit Stability Using a 1+1 Field Theory and
Cycle Benchmarking [50.8020641352841]
量子ハードウェアプラットフォーム上でのコヒーレントエラーを, サンプルユーザアプリケーションとして, 横フィールドIsing Model Hamiltonianを用いて検討した。
プロセッサ上の物理位置の異なる量子ビット群に対する、日中および日中キュービット校正ドリフトと量子回路配置の影響を同定する。
また,これらの測定値が,これらの種類の誤差をよりよく理解し,量子計算の正確性を評価するための取り組みを改善する方法についても論じる。
論文 参考訳（メタデータ） (2022-01-08T23:12:55Z) - Automating Control of Overestimation Bias for Continuous Reinforcement
Learning [65.63607016094305]
バイアス補正を導くためのデータ駆動型手法を提案する。
我々は、最先端の連続制御アルゴリズムであるTrncated Quantile Criticsにおいて、その効果を実証する。
論文 参考訳（メタデータ） (2021-10-26T09:27:12Z) - Qubit Readout Error Mitigation with Bit-flip Averaging [0.0]
量子ハードウェア上でのキュービットの読み出し誤差をより効率的に軽減する手法を提案する。
本手法では, 読み出し誤差の偏りを除去し, キャリブレーションをはるかに少ない精度で一般的な誤差モデルを構築することができる。
提案手法は,多くの量子ビットに対してもトラクタブルな緩和を可能にする他の緩和手法と組み合わせ,単純化することができる。
論文 参考訳（メタデータ） (2021-06-10T15:08:06Z) - Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。
焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。
ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
論文 参考訳（メタデータ） (2020-02-21T17:35:50Z)
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。