論文の概要: Error Mitigation for Thermodynamic Computing

• arxiv url: http://arxiv.org/abs/2401.16231v1
• Date: Mon, 29 Jan 2024 15:30:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 14:14:49.963802
• Title: Error Mitigation for Thermodynamic Computing
• Title（参考訳）: 熱力学計算における誤差低減
• Authors: Maxwell Aifer, Denis Melanson, Kaelan Donatella, Gavin Crooks, Thomas Ahle, and Patrick J. Coles
• Abstract要約: 熱力学コンピューティングにおけるエラーの主な原因は、アナログハードウェアコンポーネントのインプレクションである。 本稿では,線形から二次依存への全体的な誤差を低減させる手法を提案する。 我々は,1000以上の次元に対して,この手法のスケーラビリティを数値的に示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While physics-based computing can offer speed and energy efficiency compared to digital computing, it also is subject to errors that must be mitigated. For example, many error mitigation methods have been proposed for quantum computing. However this error mitigation framework has yet to be applied to other physics-based computing paradigms. In this work, we consider thermodynamic computing, which has recently captured attention due to its relevance to artificial intelligence (AI) applications, such as probabilistic AI and generative AI. A key source of errors in this paradigm is the imprecision of the analog hardware components. Here, we introduce a method that reduces the overall error from a linear to a quadratic dependence (from $\epsilon$ to $\epsilon^2$) on the imprecision $\epsilon$, for Gaussian sampling and linear algebra applications. The method involves sampling from an ensemble of imprecise distributions associated with various rounding events and then merging these samples. We numerically demonstrate the scalability of this method for dimensions greater than 1000. Finally, we implement this method on an actual thermodynamic computer and show $20\%$ error reduction for matrix inversion; the first thermodynamic error mitigation experiment.
• Abstract（参考訳）: 物理ベースのコンピューティングは、デジタルコンピューティングに比べて速度とエネルギー効率を提供するが、エラーを軽減しなければならない。 例えば、量子コンピューティングにおいて多くの誤り軽減法が提案されている。 しかし、この誤差軽減フレームワークは他の物理ベースの計算パラダイムには適用されていない。 本研究では,確率的AIや生成AIといった人工知能(AI)応用との関連性から,近年注目されている熱力学コンピューティングについて考察する。 このパラダイムにおけるエラーの主な原因は、アナログハードウェアコンポーネントのインプレシションである。 そこで,本研究では,ガウスサンプリングおよび線形代数学の応用において,全誤差を線形から二次依存 ($\epsilon$から$\epsilon^2$) に還元する手法を提案する。 この方法は、様々なラウンドイベントに関連する不正確な分布のアンサンブルからサンプリングし、これらのサンプルをマージする。 我々は,1000以上の次元に対するこの手法のスケーラビリティを数値的に示す。 最後に,本手法を実際の熱力学計算機に実装し,行列反転の誤差低減率を20-%とした最初の熱力学的誤差緩和実験を行った。

関連論文リスト

• Thermodynamic Matrix Exponentials and Thermodynamic Parallelism [0.0]
  ある種の線形代数問題は熱力学的に解けることを示し、行列次元の高速化に繋がる。 この「熱力学的優位」の起源は、まだ完全に説明されておらず、他の問題がそれからどのような恩恵を受けるかは明らかではない。
  論文  参考訳（メタデータ） (2023-11-21T18:10:33Z)
• Mitigating Quantum Gate Errors for Variational Eigensolvers Using Hardware-Inspired Zero-Noise Extrapolation [0.0]
  ゼロノイズ外挿を用いた変分アルゴリズムにおける量子ゲート誤差の軽減法を開発した。 物理量子デバイスにおけるゲートエラーが、異なる量子ビットと量子ビットのペアで不均一に分散されているという事実を利用する。 回路誤差和について, 変動的アプローチにおける推定エネルギーは, ほぼ線形であることがわかった。
  論文  参考訳（メタデータ） (2023-07-20T18:00:03Z)
• Validation tests of GBS quantum computers give evidence for quantum advantage with a decoherent target [62.997667081978825]
  複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。 偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
  論文  参考訳（メタデータ） (2022-11-07T12:00:45Z)
• Alternatives to a nonhomogeneous partial differential equation quantum algorithm [52.77024349608834]
  Apsi(textbfr)=f(textbfr)$ という形の非等質線型偏微分方程式を解くための量子アルゴリズムを提案する。 これらの成果により、現代の技術に基づく量子アルゴリズムの実験的実装が容易になった。
  論文  参考訳（メタデータ） (2022-05-11T14:29:39Z)
• Algebraic Bethe Circuits [58.720142291102135]
  我々は、量子コンピュータ上での直接実装のために、代数ベーテアンザッツ(ABA)をユニタリ形式にします。 我々のアルゴリズムは決定論的であり、ベーテ方程式の実根と複素根の両方に作用する。 ユニタリ行列を用いたヤン・バクスター方程式の新しい形式を導出し、量子コンピュータ上で検証する。
  論文  参考訳（メタデータ） (2022-02-09T19:00:21Z)
• Test Set Sizing Via Random Matrix Theory [91.3755431537592]
  本稿ではランダム行列理論の手法を用いて、単純な線形回帰に対して理想的なトレーニング-テストデータ分割を求める。 それは「理想」を整合性計量を満たすものとして定義し、すなわち経験的モデル誤差は実際の測定ノイズである。 本論文は,任意のモデルのトレーニングとテストサイズを,真に最適な方法で解決した最初の論文である。
  論文  参考訳（メタデータ） (2021-12-11T13:18:33Z)
• Hamiltonian simulation with random inputs [74.82351543483588]
  ランダム初期状態を持つハミルトンシミュレーションの平均ケース性能の理論 数値的な証拠は、この理論がコンクリート模型の平均誤差を正確に特徴づけていることを示唆している。
  論文  参考訳（メタデータ） (2021-11-08T19:08:42Z)
• First-Order Trotter Error from a Second-Order Perspective [0.0]
  量子力学を古典コンピュータの範囲を超えてシミュレーションすることは、量子コンピュータの主要な応用の1つである。 これらのアルゴリズムの近似誤差は、実験に特に関係する最も基本的な場合においても、よく理解されていない。 最近の研究では、予想外のスケーリングを伴う異常に低い近似誤差が報告されており、これはアルゴリズムの異なるステップからの誤差間の量子干渉に起因する。 提案手法は,先行研究の技術的問題点を伴わずに最先端の誤差境界を一般化し,基礎となる量子回路から全体の誤差がどのように生じるのかを解明する。
  論文  参考訳（メタデータ） (2021-07-16T17:53:44Z)
• Error mitigation by training with fermionic linear optics [0.05076419064097732]
  本稿では,フェミオン系をシミュレーションする量子アルゴリズムに適合した誤差の低減手法について述べる。 この方法は、量子回路をフェルミオン線形光学のモデルで実行することに基づいており、これは古典的に効率的にシミュレート可能であることが知られている。 物理的に現実的な非偏極雑音レベルを持つ12ビットの例の古典的数値シミュレーションでは、誤りは修正されていない場合と比較して34程度減少した。
  論文  参考訳（メタデータ） (2021-02-03T15:56:23Z)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)
• Physics Informed Deep Learning for Transport in Porous Media. Buckley Leverett Problem [0.0]
  貯水池モデリングのためのハイブリッド物理に基づく機械学習手法を提案する。 この手法は、物理に基づく正則化を伴う一連の深い敵対的ニューラルネットワークアーキテクチャに依存している。 提案手法は,物理知識を機械学習アルゴリズムに応用するためのシンプルでエレガントな手法である。
  論文  参考訳（メタデータ） (2020-01-15T08:20:11Z)

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。