論文の概要: Echo-evolution data generation for quantum error mitigation via neural networks

• arxiv url: http://arxiv.org/abs/2311.00487v2
• Date: Mon, 20 Jan 2025 11:47:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:16:17.330795
• Title: Echo-evolution data generation for quantum error mitigation via neural networks
• Title（参考訳）: ニューラルネットワークによる量子エラー軽減のためのエコー進化データ生成
• Authors: D. V. Babukhin,
• Abstract要約: 本稿では,ニューラルネットワークによる量子エラー軽減のためのトレーニングデータを生成する物理動機付け手法を提案する。 この方法では、初期状態は前後に進化し、進化の終わりに初期状態に戻る。 我々は、エコー進化生成データに基づいてトレーニングされたフィードフォワード完全連結ニューラルネットワークが、フォワード・イン・タイム進化の結果を補正できることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Neural networks provide a prospective tool for error mitigation in quantum simulation of physical systems. However, we need both noisy and noise-free data to train neural networks to mitigate errors in quantum computing results. Here, we propose a physics-motivated method to generate training data for quantum error mitigation via neural networks, which does not require classical simulation and target circuit simplification. In particular, we propose to use the echo evolution of a quantum system to collect noisy and noise-free data for training a neural network. Under this method, the initial state evolves forward and backward in time, returning to the initial state at the end of evolution. When run on a noisy quantum processor, the resulting state will be affected by the quantum noise accumulated during evolution. Having a vector of observable values of the initial (noise-free) state and the resulting (noisy) state allows us to compose training data for a neural network. We demonstrate that a feed-forward fully connected neural network trained on echo-evolution-generated data can correct results of forward-in-time evolution. Our findings can enhance the application of neural networks to error mitigation in quantum computing.
• Abstract（参考訳）: ニューラルネットワークは物理系の量子シミュレーションにおいて、エラー軽減のための予測ツールを提供する。 しかし、量子コンピューティングの結果のエラーを軽減するためにニューラルネットワークを訓練するにはノイズのないデータとノイズのないデータの両方が必要です。 本稿では,ニューラルネットワークによる量子エラー軽減のためのトレーニングデータを生成する物理動機付け手法を提案する。 特に、量子システムのエコー進化を利用して、ニューラルネットワークのトレーニングにノイズやノイズのないデータを収集することを提案する。 この方法では、初期状態は前後に進化し、進化の終わりに初期状態に戻る。 ノイズの多い量子プロセッサ上で実行すると、結果として生じる状態は、進化中に蓄積された量子ノイズによって影響を受ける。 初期(ノイズフリー)状態と結果(ノイズ)状態の可観測値のベクトルを持つことで、ニューラルネットワークのトレーニングデータを構成することができる。 我々は、エコー進化生成データに基づいてトレーニングされたフィードフォワード完全連結ニューラルネットワークが、フォワード・イン・タイム進化の結果を補正できることを実証した。 我々の発見は、量子コンピューティングにおけるエラー軽減へのニューラルネットワークの適用を強化することができる。

関連論文リスト

• Preparing Schrödinger cat states in a microwave cavity using a neural network [0.0]
  量子状態全体に対して最適化された制御パルスを出力するようにニューラルネットワークに教えることが可能であることを示す。 結果は、ディープニューラルネットワークとトランスファーラーニングが、様々な量子制御タスクに対する効率的な同時解をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2024-09-09T12:28:02Z)
• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• Quantum Neural Network for Quantum Neural Computing [0.0]
  本稿では,量子ニューラルネットワークのための新しい量子ニューラルネットワークモデルを提案する。 我々のモデルは、状態空間のサイズがニューロンの数とともに指数関数的に大きくなるという問題を回避している。 我々は手書き文字認識や他の非線形分類タスクのモデルをベンチマークする。
  論文  参考訳（メタデータ） (2023-05-15T11:16:47Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Learning Quantum Processes with Memory -- Quantum Recurrent Neural Networks [0.0]
  本稿では,散逸性量子ニューラルネットワークに基づく完全量子リカレントニューラルネットワークを提案する。 これらのアルゴリズムが複雑な量子過程をメモリで学習する可能性を実証する。 数値シミュレーションにより、我々の量子リカレントニューラルネットワークは、小さなトレーニングセットから一般化する顕著な能力を示すことが示された。
  論文  参考訳（メタデータ） (2023-01-19T16:58:39Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Quantum neural networks with deep residual learning [29.929891641757273]
  本稿では,深層残留学習(resqnn)を用いた新しい量子ニューラルネットワークを提案する。 ResQNNは未知のユニタリを学び、驚くべきパフォーマンスを得ることができます。
  論文  参考訳（メタデータ） (2020-12-14T18:11:07Z)
• Neural-network-based parameter estimation for quantum detection [0.0]
  量子検出スキームの文脈では、ニューラルネットワークは自然な遊び場を見つける。 適切にトレーニングされたニューラルネットワークは、基礎となる物理モデルに関する最小限の知識でターゲットを特徴付けることができることを示す。 我々は、この手法を171ドルYbドル+原子センサーの開発で実証する。
  論文  参考訳（メタデータ） (2020-12-14T16:26:05Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)

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。