Fugu-MT 論文翻訳(概要): Cleaner magic states with hook injection

論文の概要: Cleaner magic states with hook injection

arxiv url: http://arxiv.org/abs/2302.12292v1
Date: Thu, 23 Feb 2023 19:16:37 GMT
ステータス: 処理完了
システム内更新日: 2023-02-27 15:26:16.209094
Title: Cleaner magic states with hook injection
Title（参考訳）: フックインジェクションによるクリーナーマジック状態
Authors: Craig Gidney
Abstract要約: 故意のフックエラー機構が、表面コードにマジック状態を注入するための制御ノブとしてどのように使用できるかを示す。このアプローチの極限と利点は、ブロッホ球の XY あるいは YZ 平面における状態しか注入できないことである。私はモンテカルロサンプリングを用いて、この手法が従来の注入法より優れており、ディジタル回路ノイズ下での時空コストの低減に成功していることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, I show how an intentional hook error mechanism can be used as a control knob for injecting magic states into surface codes. The limitation, and benefit, of this approach is that it can only inject states in the XY or YZ plane of the Bloch sphere. This increases fidelity, because perturbations out of the target plane can be detected as errors. I use Monte Carlo sampling to show that this technique outperforms previous injection techniques, achieving lower error rates at smaller spacetime cost under digitized circuit noise.
Abstract（参考訳）: 本稿では,故意のフックエラー機構を,表面コードにマジック状態を注入するための制御ノブとして利用できることを示す。このアプローチの極限と利点は、ブロッホ球の XY あるいは YZ 平面における状態しか注入できないことである。これは、対象平面からの摂動がエラーとして検出できるため、忠実度を高める。私はモンテカルロサンプリングを用いて、この手法が以前の注入技術よりも優れていることを示し、デジタル化された回路ノイズ下でより小さな時空コストでエラー率を達成する。

関連論文リスト

Resilience of the surface code to error bursts [0.027042267806481293]
いくつかのまれな物理的メカニズムは、多くの量子ビットに影響を与えるエラー率を一時的に増加させる可能性がある。例えば、超伝導ハードウェアにおける電離放射線や、原子系の大域的な制御における大きな偏差などである。ゲート誤差率におけるこのような稀な過渡スパイクを、エラーバーストと呼ぶ。
論文参考訳（メタデータ） (2024-06-27T05:23:36Z)
Steering Without Side Effects: Improving Post-Deployment Control of Language Models [61.99293520621248]
言語モデル(LM)は、デプロイ後予期せず振る舞うことが示されている。 KL-then-steer (KTS) は, その利点を保ちながら, 操舵の副作用を低減する技術である。本手法はLlama-2-chat-7Bモデルと比較して44%のジェイルブレイク攻撃を防ぐ。
論文参考訳（メタデータ） (2024-06-21T01:37:39Z)
StraightPCF: Straight Point Cloud Filtering [50.66412286723848]
ポイントクラウドフィルタリングは、基礎となるクリーンな表面を回復しながらノイズを取り除くことを目的とした、基本的な3Dビジョンタスクである。我々は、ポイントクラウドフィルタリングのための新しいディープラーニングベースの方法であるStraightPCFを紹介する。ノイズの多い点を直線に沿って移動させることで、離散化誤差を低減し、クリーン表面への高速な収束を保証する。
論文参考訳（メタデータ） (2024-05-14T05:41:59Z)
Development and Demonstration of an Efficient Readout Error Mitigation Technique for use in NISQ Algorithms [2.1279211992135068]
リゲッティ量子コンピューティングハードウェア上での読み出し緩和期待値の近似状態推定について検討する。相関誤差の影響を抑えることができ、読み出し誤差を正確に軽減できることを示す。この開発は、この種のランダム化によるメソッドの実践的利用の道を開く。
論文参考訳（メタデータ） (2023-03-30T23:29:13Z)
A Fair Loss Function for Network Pruning [70.35230425589592]
本稿では, 刈り込み時のバイアスの抑制に使用できる簡易な改良型クロスエントロピー損失関数である, 性能重み付き損失関数を提案する。 CelebA、Fitzpatrick17k、CIFAR-10データセットを用いた実験は、提案手法が単純で効果的なツールであることを実証している。
論文参考訳（メタデータ） (2022-11-18T15:17:28Z)
SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
論文参考訳（メタデータ） (2022-01-12T18:57:04Z)
Transferable Sparse Adversarial Attack [62.134905824604104]
オーバーフィッティング問題を緩和するジェネレータアーキテクチャを導入し、転送可能なスパース対逆例を効率的に作成する。提案手法は,他の最適化手法よりも700$times$高速な推論速度を実現する。
論文参考訳（メタデータ） (2021-05-31T06:44:58Z)
Virtual Distillation for Quantum Error Mitigation [0.6745502291821955]
量子コンピュータは比較的高いレベルのノイズを持つため、有用な計算を行うのが困難である。ノイズの多い状態のコピーを$M$でエンタングし、測定することで、エラーを軽減するための短期的フレンドリーな戦略を提案する。仮想蒸留は, 数桁の誤差を抑えることができることを示すとともに, システムサイズが大きくなるにつれて, この効果がどのように拡張されるかを説明する。
論文参考訳（メタデータ） (2020-11-13T18:58:31Z)
Gaussian Constrained Attention Network for Scene Text Recognition [16.485898019983797]
既存の注意機構は注意拡散の問題に直面しており、モデルが特定の特徴領域に焦点を絞らない可能性がある。本稿では,新しいガウス制約リファインメントモジュールを組み込んだ2次元アテンションベース手法を提案する。このように、注意重みはより集中し、注意に基づく認識ネットワークはより良いパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-10-19T01:55:30Z)
Overcoming the curse of dimensionality with Laplacian regularization in semi-supervised learning [80.20302993614594]
ラプラシア正規化の欠点を克服するための統計的解析を提供する。望ましい振る舞いを示すスペクトルフィルタリング法を多数発表する。我々は,本手法を大量のデータで利用できるようにするために,現実的な計算ガイドラインを提供する。
論文参考訳（メタデータ） (2020-09-09T14:28:54Z)
Confusing and Detecting ML Adversarial Attacks with Injected Attractors [13.939695351344538]
機械学習の敵対攻撃は、攻撃対象関数の勾配に従えば、被害者モデル$mathcal M$の敵サンプルを見つける。攻撃をいくつかの局所的な最小限に誤誘導することを目的として,これらの機能を積極的に修正するアプローチを採っている。我々は,透かし方式のデコーダがアトラクタの特性を示すことを観察し,アトラクタを被害者モデルに注入する汎用的な方法を提案する。
論文参考訳（メタデータ） (2020-03-05T16:02:11Z)

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。