論文の概要: Randomised benchmarking for characterizing and forecasting correlated processes

• arxiv url: http://arxiv.org/abs/2312.06062v1
• Date: Mon, 11 Dec 2023 01:55:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 17:17:03.857617
• Title: Randomised benchmarking for characterizing and forecasting correlated processes
• Title（参考訳）: 相関プロセスの特徴付けと予測のためのランダム化ベンチマーク
• Authors: Xinfang Zhang, Zhihao Wu, Gregory A. L. White, Zhongcheng Xiang, Shun Hu, Zhihui Peng, Yong Liu, Dongning Zheng, Xiang Fu, Anqi Huang, Dario Poletti, Kavan Modi, Junjie Wu, Mingtang Deng, Chu Guo
• Abstract要約: 本研究では,時間的相関雑音の詳細を学習する手法を開発した。 特に、システム+バスの時間非依存進化演算子を学習することができる。 超伝導量子プロセッサに実装することでこれを実証する。
• 参考スコア（独自算出の注目度）: 8.788375252357945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The development of fault-tolerant quantum processors relies on the ability to control noise. A particularly insidious form of noise is temporally correlated or non-Markovian noise. By combining randomized benchmarking with supervised machine learning algorithms, we develop a method to learn the details of temporally correlated noise. In particular, we can learn the time-independent evolution operator of system plus bath and this leads to (i) the ability to characterize the degree of non-Markovianity of the dynamics and (ii) the ability to predict the dynamics of the system even beyond the times we have used to train our model. We exemplify this by implementing our method on a superconducting quantum processor. Our experimental results show a drastic change between the Markovian and non-Markovian regimes for the learning accuracies.
• Abstract（参考訳）: フォールトトレラント量子プロセッサの開発はノイズを制御する能力に依存している。 特に不快な形の雑音は、時間的相関または非マルコフ雑音である。 ランダム化ベンチマークと教師付き機械学習アルゴリズムを組み合わせることで、時間的相関ノイズの詳細を学習する手法を開発した。 特に、システムプラスバスの時間非依存進化作用素を学習することができ、これが導かれる。 (i)力学及び力学の非マルコフ性度を特徴付ける能力 (ii)モデルのトレーニングに慣れた時間を超えて、システムのダイナミクスを予測する能力。 本手法を超伝導量子プロセッサ上で実装することでその例を示す。 実験結果から,マルコフ系と非マルコフ系の間には,学習能力に対する劇的な変化がみられた。

関連論文リスト

• Stochastic action for the entanglement of a noisy monitored two-qubit system [55.2480439325792]
  局所的な一意雑音が局所的なモニタリングおよび量子間カップリングを受ける2ビット系の絡み合い進化に及ぼす影響について検討した。 チャンタスリ・ドルッセル・ヨルダン経路積分に雑音を組み込んでハミルトニアンを構築し、それを最適絡み合い力学の同定に利用する。 長時間定常エンタングルメントの数値解析により,コンカレンスと雑音強度の非単調な関係が明らかとなった。
  論文  参考訳（メタデータ） (2024-03-13T11:14:10Z)
• Learning noise-induced transitions by multi-scaling reservoir computing [2.9170682727903863]
  我々は、雑音による遷移を学習するために、リカレントニューラルネットワークの一種として貯水池コンピューティングという機械学習モデルを開発する。 トレーニングされたモデルは、遷移時間と遷移回数の正確な統計を生成する。 また、二重井戸ポテンシャルの非対称性、非詳細バランスによる回転力学、多安定系の遷移も認識している。
  論文  参考訳（メタデータ） (2023-09-11T12:26:36Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Robustness of quantum reinforcement learning under hardware errors [0.0]
  変分量子機械学習アルゴリズムは、機械学習タスクに短期量子デバイスをどのように利用するかに関する最近の研究の焦点となっている。 これらは、動作している回路をデバイスに合わせることができ、計算の大部分を古典に委譲できるため、これに適していると考えられている。 しかし、ハードウェアによるノイズの影響下での量子機械学習モデルのトレーニングの効果は、まだ広く研究されていない。
  論文  参考訳（メタデータ） (2022-12-19T13:14:22Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Characterizing low-frequency qubit noise [55.41644538483948]
  量子ビット周波数のゆらぎは、スケーラブルな量子コンピュータへの道のりで克服すべき主要な問題の1つである。 ゆらぎの統計は、定期的に繰り返されるラムゼー測定の結果の相関子を測定することで特徴づけられる。 この研究は、進化する雑音の存在下での繰り返し測定中に量子力学を記述する方法を提案する。
  論文  参考訳（メタデータ） (2022-07-04T22:48:43Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Experimental characterisation of a non-Markovian quantum process [0.0]
  非マルコビアン性の推定には機械学習モデルを用いる。 我々は90%の精度で非マルコビアン測度を予測できる。 我々の実験は、大規模量子コンピュータに現れる非マルコフノイズの効率的な検出方法である。
  論文  参考訳（メタデータ） (2021-02-02T06:00:04Z)
• Automatic Differentiation to Simultaneously Identify Nonlinear Dynamics and Extract Noise Probability Distributions from Data [4.996878640124385]
  SINDyは時系列データから類似の動的モデルや方程式を発見するためのフレームワークである。 自動微分と最近のRudyらによって制約されたタイムステッピングを統合したSINDyアルゴリズムの変種を開発する。 本手法は,ガウス分布,一様分布,ガンマ分布,レイリー分布などの確率分布の多様性を同定できることを示す。
  論文  参考訳（メタデータ） (2020-09-12T23:52:25Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。