論文の概要: Scalable tensor-network error mitigation for near-term quantum computing
- arxiv url: http://arxiv.org/abs/2307.11740v2
- Date: Mon, 24 Jul 2023 17:10:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 11:15:17.056622
- Title: Scalable tensor-network error mitigation for near-term quantum computing
- Title（参考訳）: 量子コンピューティングのためのスケーラブルなテンソル・ネットワーク誤差軽減
- Authors: Sergei Filippov, Matea Leahy, Matteo A. C. Rossi, Guillermo
Garc\'ia-P\'erez
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Until fault-tolerance becomes implementable at scale, quantum computing will
heavily rely on noise mitigation techniques. While methods such as zero noise
extrapolation with probabilistic error amplification (ZNE-PEA) and
probabilistic error cancellation (PEC) have been successfully tested on
hardware recently, their scalability to larger circuits may be limited. Here,
we introduce the tensor-network error mitigation (TEM) algorithm, which acts in
post-processing to correct the noise-induced errors in estimations of physical
observables. The method consists of the construction of a tensor network
representing the inverse of the global noise channel affecting the state of the
quantum processor, and the consequent application of the map to informationally
complete measurement outcomes obtained from the noisy state. TEM does therefore
not require additional quantum operations other than the implementation of
informationally complete POVMs, which can be achieved through randomised local
measurements. The key advantage of TEM is that the measurement overhead is
quadratically smaller than in PEC. We test TEM extensively in numerical
simulations in different regimes. We find that TEM can be applied to circuits
of twice the depth compared to what is achievable with PEC under realistic
conditions with sparse Pauli-Lindblad noise, such as those in [E. van den Berg
et al., Nat. Phys. (2023)]. By using Clifford circuits, we explore the
capabilities of the method in wider and deeper circuits with lower noise
levels. We find that in the case of 100 qubits and depth 100, both PEC and ZNE
fail to produce accurate results by using $\sim 10^5$ shots, while TEM
succeeds.
- Abstract（参考訳）: フォールトトレランスが大規模に実装されるまで、量子コンピューティングはノイズ軽減技術に大きく依存する。
確率的エラー増幅(ZNE-PEA)や確率的エラーキャンセル(PEC)といったゼロノイズ外挿法は近年,ハードウェア上でのテストが成功しているが,より大きな回路へのスケーラビリティは制限されている。
本稿では,物理観測量の推定において雑音による誤差を補正するために後処理を行うテンソルネットワーク誤り軽減アルゴリズム(tem)を提案する。
この方法は、量子プロセッサの状態に影響を与える大域的ノイズチャネルの逆数を表すテンソルネットワークの構築と、ノイズ状態から得られる測定結果を情報的に完結させるためのマップの連続的な適用とから構成される。
したがって、TEMは情報的に完備なPOVMの実装以外の追加の量子演算を必要とせず、これはランダムな局所測定によって達成できる。
TEMの主な利点は、測定オーバーヘッドがPECよりも2次的に小さいことである。
我々はtemを様々な領域の数値シミュレーションで広範囲にテストする。
その結果,[E. van den Berg et al., Nat. Phys. (2023)] のような疎いパウリ・リンドブラッド雑音の現実的な条件下では, PEC で達成可能な回路に比べて2倍の深さの回路にTEMを適用することができることがわかった。
クリフォード回路を用いて、ノイズレベルの低いより広い深い回路において、この手法の能力を探索する。
100量子ビットと深さ100の場合、PECとZNEはどちらも$\sim 10^5$のショットを使用して正確な結果を得ることができず、TEMは成功する。
関連論文リスト
- 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) - 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) - Error mitigation, optimization, and extrapolation on a trapped ion testbed [0.05185707610786576]
ゼロノイズ補間(ZNE)と呼ばれる誤差軽減の形式は、必要なキュービット数を増やすことなく、これらのエラーに対するアルゴリズムの感度を低下させることができる。
本稿では,この誤差軽減手法を変分量子固有解法(VQE)アルゴリズムに統合するための様々な手法について検討する。
本手法の有効性は, デバイスアーキテクチャの適切な実装を選択することによる。
論文 参考訳（メタデータ） (2023-07-13T19:02:39Z) - Error-aware Quantization through Noise Tempering [43.049102196902844]
量子化対応トレーニング(QAT)は、量子化エラーをシミュレートしながら、エンドタスクに関するモデルパラメータを最適化する。
本研究では,指数関数的に減衰する量子化・エラー認識ノイズと,学習可能なタスク損失勾配のスケールを組み込んで量子化演算子の効果を近似する。
本手法は, 従来の手法を0.5-1.2%絶対値で上回り, 均一な(非混合精度)量子化のための最先端トップ1分類精度を得る。
論文 参考訳（メタデータ） (2022-12-11T20:37:50Z) - Approximation Algorithm for Noisy Quantum Circuit Simulation [3.55689240295244]
本稿では,雑音量子回路をシミュレーションするための新しい近似アルゴリズムを提案する。
提案手法は、一般に使われている近似(サンプリング)アルゴリズム -- 量子軌道法を高速化する。
論文 参考訳（メタデータ） (2022-11-30T14:20:22Z) - QuEst: Graph Transformer for Quantum Circuit Reliability Estimation [32.89844497610906]
TorchQuantumと呼ばれるPythonライブラリは、機械学習タスクのためにPQCを構築し、シミュレートし、訓練することができる。
本稿では,回路の忠実度に対するノイズの影響を予測するために,グラフトランスフォーマモデルを提案する。
回路シミュレータと比較すると、予測器は忠実度を推定するための200倍以上のスピードアップを持つ。
論文 参考訳（メタデータ） (2022-10-30T02:35:31Z) - Automated quantum error mitigation based on probabilistic error
reduction [0.9236074230806579]
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。
論文 参考訳（メタデータ） (2022-10-16T19:09:41Z) - 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) - Measuring NISQ Gate-Based Qubit Stability Using a 1+1 Field Theory and
Cycle Benchmarking [50.8020641352841]
量子ハードウェアプラットフォーム上でのコヒーレントエラーを, サンプルユーザアプリケーションとして, 横フィールドIsing Model Hamiltonianを用いて検討した。
プロセッサ上の物理位置の異なる量子ビット群に対する、日中および日中キュービット校正ドリフトと量子回路配置の影響を同定する。
また,これらの測定値が,これらの種類の誤差をよりよく理解し,量子計算の正確性を評価するための取り組みを改善する方法についても論じる。
論文 参考訳（メタデータ） (2022-01-08T23:12:55Z) - Quantum error mitigation via matrix product operators [27.426057220671336]
QEM(Quantum error mitigation)は、測定結果の誤差を反復実験やデータのポスト分解によって抑制することができる。
MPO表現は、より実験的なリソースを消費することなく、ノイズをモデル化する精度を高める。
我々の手法は、より量子ビットと深度の高い高次元の回路に適用できることを期待している。
論文 参考訳（メタデータ） (2022-01-03T16:57:43Z) - 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。