Fugu-MT 論文翻訳(概要): Multi-qubit noise deconvolution and characterization

論文の概要: Multi-qubit noise deconvolution and characterization

arxiv url: http://arxiv.org/abs/2207.12386v2
Date: Tue, 13 Sep 2022 09:53:21 GMT
ステータス: 処理完了
システム内更新日: 2023-02-03 19:38:49.808169
Title: Multi-qubit noise deconvolution and characterization
Title（参考訳）: マルチ量子ビットノイズデコンボリューションとキャラクタリゼーション
Authors: Simone Roncallo, Lorenzo Maccone, Chiara Macchiavello
Abstract要約: 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。
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 for obtaining noiseless expectation values of noisy observables at the output of n-qubits quantum channels. Our protocol applies to any noise model and for any number of qubits, also in presence of correlations. For a generic observable affected by Pauli noise it provides a quadratic speed up, always producing a rescaling of its Pauli basis components. It is possible to achieve the deconvolution while experimentally estimating the noise parameters, whenever these are unknown (bypassing resource-heavy techniques like process tomography). We provide several examples and a simulation.
Abstract（参考訳）: 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、任意のノイズモデルと任意の数の量子ビットに適用し、相関の存在下でも適用する。パウリノイズの影響を受ける一般的な可観測性は、二次的なスピードアップを提供し、常にパウリ基底コンポーネントの再スケーリングを生成する。ノイズパラメータを実験的に推定しながら、このデコンボリューションを達成できる(プロセストモグラフィーのような資源量の多い手法を通すことで)。いくつかの例とシミュレーションを提供する。

関連論文リスト

Analog simulation of noisy quantum circuits [0.0]
本稿では,低雑音下での同一性に近づいた演算子によって発生するトラジェクトリを用いて,ハードウェアノイズの表現に基づくシミュレーション手法を提案する。この表現は量子軌道上の分散を著しく減少させ、ノイズのシミュレーションを10ドルから100ドル程度で高速化する。
論文参考訳（メタデータ） (2024-10-11T09:04:02Z)
Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文参考訳（メタデータ） (2023-05-23T12:56:01Z)
Latent Class-Conditional Noise Model [54.56899309997246]
本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
論文参考訳（メタデータ） (2023-02-19T15:24:37Z)
On classical simulation algorithms for noisy Boson Sampling [2.8655318786364408]
本稿では, ボソンサンプリング実験の出力分布から, およそのサンプルを抽出する古典的アルゴリズムを提案する。これは、Aharonov、Gao、Landau、Liu、Vaziraniの最近の成果にインスパイアされたもので、元々はKalai Kindlerによる観測である。
論文参考訳（メタデータ） (2023-01-27T04:42:59Z)
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)
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)
Qubit noise deconvolution [0.0]
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。
論文参考訳（メタデータ） (2021-12-06T13:46:04Z)
Learning based signal detection for MIMO systems with unknown noise statistics [84.02122699723536]
本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
論文参考訳（メタデータ） (2021-01-21T04:48:15Z)
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。