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
- SpirDet: Towards Efficient, Accurate and Lightweight Infrared Small
Target Detector [60.42293239557962]
我々は、赤外線小ターゲットの効率的な検出のための新しいアプローチであるSpirDetを提案する。
新しいデュアルブランチスパースデコーダを用いて特徴写像を復元する。
大規模な実験により、提案されたSpirDetは最先端モデルよりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2024-02-08T05:06:14Z) - 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) - Constraining the Attack Space of Machine Learning Models with
Distribution Clamping Preprocessing [27.644893449553024]
理想的なプリプロセッサ関数を任意の入力を受け取り、最も近いインディストリビューション入力に設定する関数として定式化する。
次に、パッチアタックの文脈でこの問題に対する緩和された解決策を説明します。
これらの制約により、入力の事前処理が成功し、CARLAオブジェクト検出の堅牢性が向上する。
論文 参考訳(メタデータ) (2022-05-18T15:20:18Z) - 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) - Learning with Noisy Labels via Sparse Regularization [76.31104997491695]
ノイズの多いラベルで学習することは、正確なディープニューラルネットワークをトレーニングするための重要なタスクである。
クロスエントロピー(Cross Entropy, CE)など、一般的に使われている損失関数は、ノイズラベルへの過度なオーバーフィットに悩まされている。
我々は, スパース正規化戦略を導入し, ワンホット制約を近似する。
論文 参考訳(メタデータ) (2021-07-31T09:40:23Z) - 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) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - 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。
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。