論文の概要: Context Aware Fidelity Estimation

• arxiv url: http://arxiv.org/abs/2303.17565v1
• Date: Thu, 30 Mar 2023 17:30:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-31 12:33:02.446797
• Title: Context Aware Fidelity Estimation
• Title（参考訳）: 文脈認識による忠実度推定
• Authors: Dripto M. Debroy, Elie Genois, Jonathan A. Gross, Wojciech Mruczkiewicz, Kenny Lee, Sabrina Hong, Zijun Chen, Vadim Smelyanskiy, Zhang Jiang
• Abstract要約: 本稿では,量子演算をベンチマークするフレームワークであるContext Aware Fidelity Estimation (CAFE)を提案する。 CAFEは数値シミュレーションにおいて少なくともインターリーブドRBの精度を推定する。 また、1つの絡み合う操作で任意の2量子状態を作成するためのコンパクトな定式化も導入する。
• 参考スコア（独自算出の注目度）: 0.6534705345202519
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Context Aware Fidelity Estimation (CAFE), a framework for benchmarking quantum operations that offers several practical advantages over existing methods such as Randomized Benchmarking (RB) and Cross-Entropy Benchmarking (XEB). In CAFE, a gate or a subcircuit from some target experiment is repeated n times before being measured. By using a subcircuit, we account for effects from spatial and temporal circuit context. Since coherent errors accumulate quadratically while incoherent errors grow linearly, we can separate them by fitting the measured fidelity as a function of n. One can additionally interleave the subcircuit with dynamical decoupling sequences to remove certain coherent error sources from the characterization when desired. We have used CAFE to experimentally validate our single- and two-qubit unitary characterizations by measuring fidelity against estimated unitaries. In numerical simulations, we find CAFE produces fidelity estimates at least as accurate as Interleaved RB while using significantly fewer resources. We also introduce a compact formulation for preparing an arbitrary two-qubit state with a single entangling operation, and use it to present a concrete example using CAFE to study CZ gates in parallel on a Sycamore processor.
• Abstract（参考訳）: 本稿では、ランダム化ベンチマーク (RB) やクロスエントロピーベンチマーク (XEB) といった既存の手法に対して、いくつかの実用的な利点を提供する量子演算をベンチマークするフレームワークである Context Aware Fidelity Estimation (CAFE) を提案する。 CAFEでは、測定前にターゲット実験からのゲートまたはサブ回路をn回繰り返す。 サブサーキットを用いることで、空間的および時間的回路コンテキストの影響を考慮できる。 非コヒーレント誤差が線形に増加する間、コヒーレント誤差は二次的に蓄積するので、測定された忠実度を n の関数としてフィッティングすることでそれらを分離することができる。 さらに、サブサーキットを動的デカップリングシーケンスでインターリーブし、必要に応じて特定のコヒーレントエラー源をキャラクタリゼーションから削除することができる。 我々はCAFEを用いて,推定ユニタリに対する忠実度を測定し,単一および2ビットのユニタリ特性を実験的に検証した。 数値シミュレーションでは,cafe はインターリーブrb と同程度の忠実度推定を生成できるが,リソースは極めて少ない。 また、単一エンタングリング操作で任意の2量子状態を作成するためのコンパクトな定式化を導入し、CAFEを用いてSycamoreプロセッサ上でCZゲートを並列に研究する具体的な例を示す。

関連論文リスト

• Robust shallow shadows [0.251657752676152]
  浅層計測回路の幅広いクラスを対象としたロバストなシャドウ推定プロトコルを提案する。 テンソルネットワークツールを用いて実験データから直接推定する方法を示す。 提案手法は,現在および近時雑音量子デバイスの実用的制約の下で,大域回転による影推定の可能性の最大化を実現する。
  論文  参考訳（メタデータ） (2024-05-09T18:00:09Z)
• QuTracer: Mitigating Quantum Gate and Measurement Errors by Tracing Subsets of Qubits [8.54896613102673]
  量子誤差緩和は、現在のノイズの中規模量子(NISQ)時代に重要な役割を果たす。 キュービットのサブセットにおけるゲートと測定誤差を緩和するフレームワークQuTracerを提案する。
  論文  参考訳（メタデータ） (2024-04-30T17:06:04Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• REBAR: Retrieval-Based Reconstruction for Time-series Contrastive Learning [64.08293076551601]
  正の対を識別する学習尺度を新たに提案する。 検索ベースレコンストラクションは2つのシーケンス間の類似度を測定する。 本稿では,REBAR誤差が相互クラスメンバシップの予測因子であることを示す。
  論文  参考訳（メタデータ） (2023-11-01T13:44:45Z)
• Conformalized Unconditional Quantile Regression [27.528258690139793]
  コンフォメーション予測と非条件量子回帰を組み合わせた予測推論手法を開発した。 提案手法は不整合性に適応し,テストインスタンスに関連する透過的なカバレッジ保証を提供し,既存の手法と効率的に競合することを示す。
  論文  参考訳（メタデータ） (2023-04-04T00:20:26Z)
• Estimating Coherent Contributions to the Error Profile Using Cycle Error Reconstruction [0.0]
  本稿では,ハード・コンピューティング・サイクルの誤差プロファイルに対するコヒーレント・コントリビューションの詳細な推定値を得るための,スケーラブルでサイクル中心の方法論を提案する。 ibmq_guadalupe, ibmq_manila, ibmq_montrealの3つのIBMチップ上で概念実証実験を行う。
  論文  参考訳（メタデータ） (2023-03-17T13:04:19Z)
• Asymptotically Unbiased Instance-wise Regularized Partial AUC Optimization: Theory and Algorithm [101.44676036551537]
  One-way partial AUC (OPAUC) と Two-way partial AUC (TPAUC) はバイナリ分類器の平均性能を測定する。 既存の手法のほとんどはPAUCをほぼ最適化するしかなく、制御不能なバイアスにつながる。 本稿では,分散ロバスト最適化AUCによるPAUC問題の簡易化について述べる。
  論文  参考訳（メタデータ） (2022-10-08T08:26:22Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。