論文の概要: Improving the efficiency of learning-based error mitigation

• arxiv url: http://arxiv.org/abs/2204.07109v2
• Date: Wed, 23 Apr 2025 13:48:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:51.416685
• 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化
• 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。 我々は,IBM トロント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によって,我々のアプローチを検証する。
• 参考スコア（独自算出の注目度）: 0.40498500266986387
• License: http://creativecommons.org/licenses/by/4.0/
• 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. Furthermore, we demonstrate orders of magnitude improvements in frugality for mitigation of energy of the LiH ground state simulated with IBM's Ourense-derived noise model.
• 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。 現在の誤差軽減法は、(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)フーガリティを犠牲にして補正品質に重点を置いているのが一般的である。 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 トロント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によって,我々のアプローチを検証する。 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。 効率向上により、未解決の結果に対する10ドルの改善率を、総予算を2ドル=2ドル=10ドル=5ドル程度に抑えることができる。 さらに,IBMのOurense- derived noise modelを模擬したLiH基底状態のエネルギー低減のためのフレジャリティの桁違いの改善を示す。

関連論文リスト

• A hybrid framework for effective and efficient machine unlearning [12.499101994047862]
  マシン・アンラーニング(MU)は、既に訓練済みのモデルパラメータから取り消されたサンプルのインプリントを取り除くために提案されている。 我々は、その上で、全体的な成功を達成するために、新しいハイブリッド戦略を提示する。
  論文  参考訳（メタデータ） (2024-12-19T03:59:26Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• 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)
• Efficient Noise Mitigation Technique for Quantum Computing [0.4306143768014157]
  本稿では,雑音量子デバイスの平均出力を効率的に推定する新しいプロトコルを提案する。 4つのIBM Q 5量子ビット量子デバイス上で提案プロトコルの有効性を実証する。
  論文  参考訳（メタデータ） (2021-09-10T23:23:03Z)
• Can Error Mitigation Improve Trainability of Noisy Variational Quantum Algorithms? [0.3774866290142281]
  変分量子アルゴリズム(VQA)は、しばしば短期量子優位の最良の希望と見なされる。 近年の研究では、ノイズはVQAのトレーニング可能性を大幅に制限することが示された。 Error Mitigation (EM) は、ノイズが短期デバイスに与える影響を減らすことを約束している。
  論文  参考訳（メタデータ） (2021-09-02T16:07:02Z)
• 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)
• Fully Quantized Image Super-Resolution Networks [81.75002888152159]
  効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。 我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。 低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
  論文  参考訳（メタデータ） (2020-11-29T03:53:49Z)
• 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。