論文の概要: Automated quantum error mitigation based on probabilistic error
reduction
- arxiv url: http://arxiv.org/abs/2210.08611v1
- Date: Sun, 16 Oct 2022 19:09:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-22 09:28:22.473261
- Title: Automated quantum error mitigation based on probabilistic error
reduction
- Title(参考訳): 確率的誤り低減に基づく自動量子誤り軽減
- Authors: Benjamin McDonough, Andrea Mari, Nathan Shammah, Nathaniel T. Stemen,
Misty Wahl, William J. Zeng, Peter P. Orth
- Abstract要約: 現在の量子コンピュータは、より長い計算から直接有用な結果の抽出を禁止しているノイズのレベルに悩まされている。
本稿では,ノイズトモグラフィとPERのユーザ指定回路への応用を含む,自動量子エラー軽減ソフトウェアフレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.9236074230806579
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current quantum computers suffer from a level of noise that prohibits
extracting useful results directly from longer computations. The figure of
merit in many near-term quantum algorithms is an expectation value measured at
the end of the computation, which experiences a bias in the presence of
hardware noise. A systematic way to remove such bias is probabilistic error
cancellation (PEC). PEC requires a full characterization of the noise and
introduces a sampling overhead that increases exponentially with circuit depth,
prohibiting high-depth circuits at realistic noise levels. Probabilistic error
reduction (PER) is a related quantum error mitigation method that
systematically reduces the sampling overhead at the cost of reintroducing bias.
In combination with zero-noise extrapolation, PER can yield expectation values
with an accuracy comparable to PEC.Noise reduction through PER is broadly
applicable to near-term algorithms, and the automated implementation of PER is
thus desirable for facilitating its widespread use. To this end, we present an
automated quantum error mitigation software framework that includes noise
tomography and application of PER to user-specified circuits. We provide a
multi-platform Python package that implements a recently developed Pauli noise
tomography (PNT) technique for learning a sparse Pauli noise model and exploits
a Pauli noise scaling method to carry out PER.We also provide software tools
that leverage a previously developed toolchain, employing PyGSTi for gate set
tomography and providing a functionality to use the software Mitiq for PER and
zero-noise extrapolation to obtain error-mitigated expectation values on a
user-defined circuit.
- Abstract(参考訳): 現在の量子コンピュータは、より長い計算から直接有用な結果の抽出を禁止しているノイズのレベルに悩まされている。
多くの短期量子アルゴリズムにおけるメリットの数値は、ハードウェアノイズの存在下でバイアスを経験する計算の最後に測定される期待値である。
このようなバイアスを取り除く体系的な方法は確率的エラーキャンセル(PEC)である。
PECはノイズの完全なキャラクタリゼーションを必要とし、サンプリングオーバーヘッドを導入して回路深度を指数関数的に増加させ、現実的なノイズレベルにおける高深度回路を禁止している。
PER(probabilistic error reduction)は、バイアスを再導入するコストでサンプリングオーバーヘッドを体系的に低減する、関連する量子エラー軽減手法である。
PERは、ゼロノイズ外挿と組み合わせて、PECに匹敵する精度で期待値を得ることができる。PERによるノイズ低減は、近距離アルゴリズムに広く適用でき、PERの自動実装は、その広範な使用を容易にするために望ましい。
そこで本研究では,ノイズトモグラフィとperをユーザ特定回路に適用する自動量子誤差軽減ソフトウェアフレームワークを提案する。
We provide a multi-platform Python package that implements a recently developed Pauli noise tomography (PNT) technique for learning a sparse Pauli noise model and exploits a Pauli noise scaling method to carry out PER.We also provide software tools that leverage a previously developed toolchain, employing PyGSTi for gate set tomography and providing a functionality to use the software Mitiq for PER and zero-noise extrapolation to obtain error-mitigated expectation values on a user-defined circuit.
関連論文リスト
- QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳(メタデータ) (2024-01-10T22:33:00Z) - Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum
Computing [99.34965725525188]
AQC(Adiabatic quantum computing)は、NP-hard最適化問題に対する有望な量子コンピューティング手法である。
本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。
最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。
論文 参考訳(メタデータ) (2023-10-18T17:59:45Z) - Scalable tensor-network error mitigation for near-term quantum computing [0.0]
本稿では,物理観測値の推定においてノイズによる誤差を補正するために,後処理で機能するテンソルネットワークエラー軽減アルゴリズムを提案する。
TEMは、情報的に完全なPOVMの実装以外の追加の量子演算を必要としない。
我々は、異なる状態における数値シミュレーションにおいて、TEMを広範囲にテストする。
論文 参考訳(メタデータ) (2023-07-21T17:54:05Z) - Scalable noisy quantum circuits for biased-noise qubits [41.78224056793453]
安定猫量子ビットの既存システムに動機づけられたビットフリップ誤差のみに影響されるバイアスノイズ量子ビットを考察する。
現実的なノイズモデルでは、位相フリップは無視できないが、Pauli-Twirling近似では、ベンチマークが最大106ドルのゲートを含む回路の正しさを確認できる。
論文 参考訳(メタデータ) (2023-05-03T11:27:50Z) - Deep Quantum Error Correction [73.54643419792453]
量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。
本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。
提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
論文 参考訳(メタデータ) (2023-01-27T08:16:26Z) - Error Mitigation-Aided Optimization of Parameterized Quantum Circuits:
Convergence Analysis [42.275148861039895]
変分量子アルゴリズム(VQA)は、ノイズプロセッサを介して量子アドバンテージを得るための最も有望な経路を提供する。
不完全性とデコヒーレンスによるゲートノイズは、バイアスを導入して勾配推定に影響を与える。
QEM(Quantum error mitigation)技術は、キュービット数の増加を必要とせずに、推定バイアスを低減することができる。
QEMは必要な反復回数を減らすことができるが、量子ノイズレベルが十分に小さい限りである。
論文 参考訳(メタデータ) (2022-09-23T10:48:04Z) - Probabilistic error cancellation with sparse Pauli-Lindblad models on
noisy quantum processors [0.7299729677753102]
本稿では,大規模量子デバイスに相関するノイズやスケールを捕捉できるスパースノイズモデルを学習し,逆転するプロトコルを提案する。
これらの進歩により、クロストークエラーを伴う超伝導量子プロセッサ上でのPECの実証が可能となった。
論文 参考訳(メタデータ) (2022-01-24T18:40:43Z) - Extending quantum probabilistic error cancellation by noise scaling [1.2891210250935146]
本稿では、確率的エラーキャンセル(PEC)とゼロノイズ外挿(ZNE)の2つの手法を組み合わせて一般化する量子エラー軽減のための一般的な枠組みを提案する。
PECは、ハードウェア上で実装可能なノイズの多い操作の線形結合として理想的な操作を表現している。
ZNE はゼロノイズ極限をよりよく近似するために用いられる。
論文 参考訳(メタデータ) (2021-08-04T18:30:51Z) - Achieving fault tolerance against amplitude-damping noise [1.7289359743609742]
我々は,振幅減衰雑音の存在下で,フォールトトレラントな量子コンピューティングコンポーネントのプロトコルを開発する。
フォールトトレラントなエンコードガジェットの集合を記述し、ノイズの擬似閾値を計算する。
我々の研究は、量子フォールトトレランスのアイデアをターゲット雑音モデルに適用する可能性を実証している。
論文 参考訳(メタデータ) (2021-07-12T14:59:54Z) - Error mitigation via verified phase estimation [0.25295633594332334]
本稿では,量子位相推定に基づく新しい誤差低減手法を提案する。
制御量子ビットを使わずに機能に適応できることを示す。
論文 参考訳(メタデータ) (2020-10-06T07:44:10Z) - 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。
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。