論文の概要: Leveraging junk information to enhance the quantum error mitigation
- arxiv url: http://arxiv.org/abs/2402.10480v1
- Date: Fri, 16 Feb 2024 07:01:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 17:33:08.241740
- Title: Leveraging junk information to enhance the quantum error mitigation
- Title(参考訳): 量子エラー軽減のためのジャンク情報の活用
- Authors: Ruixia Wang, Xiaosi Xu, Fei Yan, Xiaoxiao Xiao, Ying Li, Xiaoxia Cai,
Haifeng Yu
- Abstract要約: 我々はSQNF(Self-Trained Quantum Noise Filter)という量子誤差低減手法を導入する。
以上の結果から,提案手法は人口分布の不確実性を著しく低減できることが示された。
- 参考スコア(独自算出の注目度): 8.049186254119121
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Noise in quantum information processing poses a significant obstacle to
achieving precise results. Quantum error mitigation techniques are crucial for
improving the accuracy of experimental expectation values in this process. In
the experiments, it is commonly observed that some measured events violate
certain principles, such as symmetry constraints. These events can be
considered junk information and should be discarded in a post-selection
process. In this work, we introduce a quantum error mitigation method named
Self-Trained Quantum Noise Filter (SQNF), which leverages the junk information
to differentiate errors from the experimental population distributions, thereby
aiming to approximate the error-free distribution. Our numerical results
demonstrate that the proposed method can significantly reduce the infidelity of
population distributions compared to the traditional post-selection method.
Notably, the infidelity reduction is achieved without additional experimental
resource consumption. Our method is scalable and applicable to multi-qubit
computing systems.
- Abstract(参考訳): 量子情報処理におけるノイズは、正確な結果を得るために大きな障害となる。
この過程における実験的期待値の精度を向上させるには、量子誤差緩和技術が不可欠である。
実験では、いくつかの測定された事象が対称性の制約のような特定の原理に違反していることがよく観察される。
これらのイベントはジャンク情報と見なすことができ、選択後のプロセスで破棄されるべきである。
そこで本研究では, ジャンク情報を利用して実験人口分布と誤差を区別する自己学習型量子ノイズフィルタ(sqnf)と呼ばれる量子誤差緩和手法を導入し, 誤差のない分布を近似する。
提案手法は, 従来のポスト選択法と比較して, 人口分布の不確かさを著しく低減できることを示す。
特に、不忠実さの低減は、追加の実験的なリソース消費なしに達成される。
本手法はスケーラブルで,マルチキュービットコンピューティングシステムに適用可能である。
関連論文リスト
- Calibrated Uncertainty Quantification for Operator Learning via
Conformal Prediction [95.75771195913046]
本稿では, リスク制御型量子ニューラル演算子, 分布のない有限サンプル機能キャリブレーション等式予測法を提案する。
関数領域上の点の期待値として定義されるカバレッジ率に関する理論的キャリブレーションを保証する。
2次元ダーシー流と3次元自動車表面圧力予測タスクに関する実験結果から,我々の理論的結果が検証された。
論文 参考訳(メタデータ) (2024-02-02T23:43:28Z) - Zero-noise Extrapolation Assisted with Purity for Quantum Error
Mitigation [10.577215927026199]
量子誤差緩和の1つの方法はゼロノイズ外挿である。
本稿では,ノイズ回路における出力状態の純度が外挿過程の補助となることを提案する。
論文 参考訳(メタデータ) (2023-10-16T03:46:30Z) - Scalable quantum measurement error mitigation via conditional
independence and transfer learning [0.951828574518325]
量子システムにおける測定誤差を量子誤差補正に頼ることなく軽減することは、量子技術の実用化に不可欠である。
深層学習に基づく量子計測誤差軽減は、非線形ノイズを補正する能力のため、線形反転法よりも有利である。
本稿では,遠隔量子ビットの独立性を活用し,転送学習手法を取り入れたスケーラブルな量子計測誤差低減手法を提案する。
論文 参考訳(メタデータ) (2023-08-01T06:39:01Z) - Robust design under uncertainty in quantum error mitigation [0.8258451067861933]
量子結果の古典的な後処理は、エラー軽減の一般的なアプローチである。
本稿では,誤差緩和結果のサンプリングによる誤差緩和可観測物の不確かさと誤差の定量化手法を提案する。
論文 参考訳(メタデータ) (2023-07-11T14:48:03Z) - Transition role of entangled data in quantum machine learning [65.73265547435442]
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) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳(メタデータ) (2022-12-12T15:06:32Z) - Shadow Distillation: Quantum Error Mitigation with Classical Shadows for
Near-Term Quantum Processors [2.3339135709418817]
量子情報処理装置におけるエラーの軽減は、特にフォールトトレランスの欠如において重要である。
ここでは、古典的な影とランダム化測定を用いて、指数的なコストで複数のコピーへのコヒーレントなアクセスを回避する。
我々は,現実的な実験制約下での測定資源を最適化し,GHZ(Greenberger-Horne-Zeilinger)状態とイオンを捕捉した実験に本手法を適用した。
論文 参考訳(メタデータ) (2022-03-14T17:14:56Z) - 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) - Learnability of the output distributions of local quantum circuits [53.17490581210575]
2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。
我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。
より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
論文 参考訳(メタデータ) (2021-10-11T18:00:20Z) - Crosstalk Suppression for Fault-tolerant Quantum Error Correction with
Trapped Ions [62.997667081978825]
本稿では、電波トラップで閉じ込められた1本のイオン列をベースとした量子計算アーキテクチャにおけるクロストーク誤差の研究を行い、個別に調整されたレーザービームで操作する。
この種の誤差は、理想的には、異なるアクティブな量子ビットのセットで処理される単一量子ゲートと2量子ビットの量子ゲートが適用されている間は、未修正のままであるオブザーバー量子ビットに影響を及ぼす。
我々は,第1原理からクロストーク誤りを微視的にモデル化し,コヒーレント対非コヒーレントなエラーモデリングの重要性を示す詳細な研究を行い,ゲートレベルでクロストークを積極的に抑制するための戦略について議論する。
論文 参考訳(メタデータ) (2020-12-21T14:20:40Z) - Multi-exponential Error Extrapolation and Combining Error Mitigation
Techniques for NISQ Applications [0.0]
量子ハードウェアにおけるノイズは、量子コンピュータの実装における最大の障害である。
誤り補間は、実験的に実装された誤り軽減手法である。
我々はこれを多重指数誤差外挿に拡張し、パウリ雑音下での有効性のより厳密な証明を提供する。
論文 参考訳(メタデータ) (2020-07-02T17:18:47Z)
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。