論文の概要: Battle Against Fluctuating Quantum Noise: Compression-Aided Framework to
Enable Robust Quantum Neural Network
- arxiv url: http://arxiv.org/abs/2304.04666v1
- Date: Mon, 10 Apr 2023 15:42:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 14:34:02.514136
- Title: Battle Against Fluctuating Quantum Noise: Compression-Aided Framework to
Enable Robust Quantum Neural Network
- Title（参考訳）: 変動量子ノイズとの戦い:ロバスト量子ニューラルネットワークを実現する圧縮支援フレームワーク
- Authors: Zhirui Hu, Youzuo Lin, Qiang Guan, Weiwen Jiang
- Abstract要約: 量子ビット(量子ビット)のノイズは、量子コンピューティングのパワーを利用する現実世界のアプリケーションにとって依然として障害である。
本稿では,量子ノイズの変動に適応させる新しい圧縮支援フレームワークQuCADを提案する。
ノイズ認識トレーニング手法により,QuCADの精度は平均146日で14.91%向上することを示した。
- 参考スコア（独自算出の注目度）: 4.455849458440319
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, we have been witnessing the scale-up of superconducting quantum
computers; however, the noise of quantum bits (qubits) is still an obstacle for
real-world applications to leveraging the power of quantum computing. Although
there exist error mitigation or error-aware designs for quantum applications,
the inherent fluctuation of noise (a.k.a., instability) can easily collapse the
performance of error-aware designs. What's worse, users can even not be aware
of the performance degradation caused by the change in noise. To address both
issues, in this paper we use Quantum Neural Network (QNN) as a vehicle to
present a novel compression-aided framework, namely QuCAD, which will adapt a
trained QNN to fluctuating quantum noise. In addition, with the historical
calibration (noise) data, our framework will build a model repository offline,
which will significantly reduce the optimization time in the online adaption
process. Emulation results on an earthquake detection dataset show that QuCAD
can achieve 14.91% accuracy gain on average in 146 days over a noise-aware
training approach. For the execution on a 7-qubit IBM quantum processor,
IBM-Jakarta, QuCAD can consistently achieve 12.52% accuracy gain on earthquake
detection.
- Abstract（参考訳）: 近年,超伝導量子コンピュータのスケールアップが注目されているが,量子ビット(量子ビット)のノイズは,量子コンピューティングのパワーを活用する現実のアプリケーションにとって依然として障害となっている。
量子アプリケーションにはエラー緩和やエラーアウェア設計が存在するが、ノイズ(すなわち不安定性)の固有のゆらぎは、エラーアウェア設計のパフォーマンスを損なう可能性がある。
さらに悪いことに、ユーザはノイズの変化によるパフォーマンスの低下を認識できないのです。
両問題に対処するため、本論文では量子ニューラルネットワーク(QNN)を用いて、量子ノイズの変動にトレーニングされたQNNを適用する新しい圧縮支援フレームワークQuCADを提案する。
さらに、過去の校正(ノイズ)データにより、当社のフレームワークはオフラインでモデルリポジトリを構築し、オンライン適応プロセスにおける最適化時間を著しく短縮する。
地震検出データセットのエミュレーションの結果から,QuCADは146日で14.91%の精度向上を達成できることがわかった。
7量子ビットのIBM量子プロセッサ上で実行するために、IBM-Jakartaでは、QuCADは一貫して地震検出において12.52%の精度向上を達成することができる。
関連論文リスト
- Method for noise-induced regularization in quantum neural networks [0.0]
量子ハードウェアにおけるノイズレベルを効果的に調整することで、量子ニューラルネットワークがデータを一般化する能力を高めることができることを示す。
例えば,回路のノイズレベルを調整することで,平均2乗誤差損失を8%改善する医療レグレッションタスクを考える。
論文 参考訳（メタデータ） (2024-10-25T18:29:42Z) - Quantum Neural Network Training of a Repeater Node [0.0]
現実の量子コンピュータは、量子回路のデコヒーレンスと緩和時間によって特徴付けられる様々な種類のノイズに悩まされる。
スワップ操作を行い、トレーニングされたQNNソリューションと標準スワップゲートを比較するために量子ニューラルネットワーク(QNN)を構築する。
QNNは2つの量子ビットに対して容易に一般化でき、追加のトレーニングなしでより多くの量子ビットにスケールアップできる。
論文 参考訳（メタデータ） (2024-08-08T18:19:09Z) - 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) - 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) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳（メタデータ） (2022-09-22T21:54:28Z) - QuantumNAT: Quantum Noise-Aware Training with Noise Injection,
Quantization and Normalization [22.900530292063348]
量子回路(PQC)は、短期量子ハードウェアにおける量子優位性を約束している。
しかし、大きな量子ノイズ(エラー)のため、PQCモデルの性能は実際の量子デバイスで著しく低下する。
本稿では,PQC固有のフレームワークであるQuantumNATを提案する。
論文 参考訳（メタデータ） (2021-10-21T17:59:19Z) - Can Noise on Qubits Be Learned in Quantum Neural Network? A Case Study
on QuantumFlow [25.408147000243158]
本論文は、別の角度からノイズ問題に取り組むことを目的としている。
一般量子アルゴリズムのための完全量子ビットを作成する代わりに、専用アルゴリズムのノイズ問題を緩和する可能性について検討する。
本稿では、量子ニューラルネットワーク(QNN)を対象とし、トレーニングフェーズにおける誤りを学習し、識別されたQNNモデルがノイズに耐性を持つようにすることを提案する。
論文 参考訳（メタデータ） (2021-09-08T04:43:12Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z)
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。