論文の概要: Machine Learning for Practical Quantum Error Mitigation

• arxiv url: http://arxiv.org/abs/2309.17368v1
• Date: Fri, 29 Sep 2023 16:17:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-02 12:42:15.042408
• Title: Machine Learning for Practical Quantum Error Mitigation
• Title（参考訳）: 量子エラー軽減のための機械学習
• Authors: Haoran Liao, Derek S. Wang, Iskandar Sitdikov, Ciro Salcedo, Alireza Seif, Zlatko K. Minev
• Abstract要約: 量子エラー軽減のための機械学習は、オーバーヘッドを大幅に削減し、従来の手法の精度を維持または超える可能性があることを示す。 本結果は,量子計算における古典的機械学習の可能性を明らかにするものである。
• 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: Quantum computers are actively competing to surpass classical supercomputers, but quantum errors remain their chief obstacle. The key to overcoming these on near-term devices has emerged through the field of quantum error mitigation, enabling improved accuracy at the cost of additional runtime. In practice, however, the success of mitigation is limited by a generally exponential overhead. Can classical machine learning address this challenge on today's quantum computers? Here, through both simulations and experiments on state-of-the-art quantum computers using up to 100 qubits, we demonstrate that machine learning for quantum error mitigation (ML-QEM) can drastically reduce overheads, maintain or even surpass the accuracy of conventional methods, and yield near noise-free results for quantum algorithms. We benchmark a variety of machine learning models -- linear regression, random forests, multi-layer perceptrons, and graph neural networks -- on diverse classes of quantum circuits, over increasingly complex device-noise profiles, under interpolation and extrapolation, and for small and large quantum circuits. These tests employ the popular digital zero-noise extrapolation method as an added reference. We further show how to scale ML-QEM to classically intractable quantum circuits by mimicking the results of traditional mitigation results, while significantly reducing overhead. Our results highlight the potential of classical machine learning for practical quantum computation.
• Abstract（参考訳）: 量子コンピュータは、古典的なスーパーコンピュータを超えるために積極的に競争している。 短期的なデバイスでこれらを克服する鍵は、量子エラー軽減の分野を通じて出現し、追加のランタイムのコストで精度が向上する。 しかし実際には、緩和の成功は一般に指数関数的なオーバーヘッドによって制限される。 古典的機械学習は、今日の量子コンピュータでこの課題に対処できるだろうか? ここでは,100キュービットまでの量子コンピュータのシミュレーションと実験を通じて,量子エラー軽減のための機械学習が,従来の手法の精度を劇的に低減し,維持あるいは超過し,量子アルゴリズムのノイズのない結果に近づいたことを実証する。 我々は、線形回帰、ランダムフォレスト、多層パーセプトロン、グラフニューラルネットワークといったさまざまな機械学習モデルを、様々な量子回路のクラス、ますます複雑なデバイスノイズプロファイル、補間と外挿、小規模で大規模な量子回路に対してベンチマークする。 これらの試験は、デジタルゼロノイズ外挿法を付加参照として採用している。 さらに、従来の緩和結果の結果を模倣して、ML-QEMを古典的に難解な量子回路にスケールする方法を示す。 本研究は,量子計算における古典的機械学習の可能性に注目した。

関連論文リスト

• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
  本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。 QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
  論文  参考訳（メタデータ） (2024-05-18T14:35:57Z)
• Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
  エンタングルメントは量子コンピューティングを強化するリソースとして機能する。 最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。 我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
  論文  参考訳（メタデータ） (2023-06-06T08:06:43Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Testing platform-independent quantum error mitigation on noisy quantum computers [1.0499611180329804]
  様々なベンチマーク問題や量子コンピュータに量子エラー軽減技術を適用する。 我々は、改善係数と呼ばれるエラー軽減の改善を実証的に動機づけた、リソース正規化メトリクスを定義します。
  論文  参考訳（メタデータ） (2022-10-13T17:15:03Z)
• Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
  量子計算を古典的な結果によって補う手法を提案する。 予測の利点を生かして、新しいタイプの量子測度がもたらされる。 予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
  論文  参考訳（メタデータ） (2022-09-12T15:47:44Z)
• Model-Independent Error Mitigation in Parametric Quantum Circuits and Depolarizing Projection of Quantum Noise [1.5162649964542718]
  与えられたハミルトニアンの基底状態と低い励起を見つけることは、物理学の多くの分野において最も重要な問題の一つである。 Noisy Intermediate-Scale Quantum (NISQ) デバイス上の量子コンピューティングは、そのような計算を効率的に実行する可能性を提供する。 現在の量子デバイスは、今でも固有の量子ノイズに悩まされている。
  論文  参考訳（メタデータ） (2021-11-30T16:08:01Z)
• Neural Error Mitigation of Near-Term Quantum Simulations [0.0]
  ニューラルネットワークを用いて地下状態と地下状態の観測器の推定を改善する新しい方法である$textitneural error mitigation$を紹介します。 その結果, ニューラルエラーの低減により, 数値計算と実験的VQE計算が向上し, 低エネルギー誤差が得られた。 提案手法は,複雑な量子シミュレーション問題を解くために,短期量子コンピュータの到達範囲を広げる有望な戦略である。
  論文  参考訳（メタデータ） (2021-05-17T18:00:57Z)
• Enhancing quantum models of stochastic processes with error mitigation [0.0]
  理論量子モデルと実用のギャップを、誤差軽減法を取り入れて埋める。 その結果,誤差緩和が期待値の改善に有効であることが確認された。 この結果から,これらの量子コンピュータにおけるハードウェアの制約により,その手法が制約されることが示唆された。
  論文  参考訳（メタデータ） (2021-05-13T17:45:34Z)
• An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
  小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。 量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
  論文  参考訳（メタデータ） (2020-05-06T14:18:44Z)

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。