論文の概要: Demonstration of Robust and Efficient Quantum Property Learning with
Shallow Shadows
- arxiv url: http://arxiv.org/abs/2402.17911v1
- Date: Tue, 27 Feb 2024 21:53:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 17:07:50.082986
- Title: Demonstration of Robust and Efficient Quantum Property Learning with
Shallow Shadows
- Title（参考訳）: 浅影を用いたロバストかつ効率的な量子特性学習の実証
- Authors: Hong-Ye Hu, Andi Gu, Swarnadeep Majumder, Hang Ren, Yipei Zhang, Derek
S. Wang, Yi-Zhuang You, Zlatko Minev, Susanne F. Yelin, Alireza Seif
- Abstract要約: 本稿では,現在の量子コンピューティングプラットフォーム上での量子状態のキャラクタリゼーションのための,頑健な浅層影プロトコルを提案する。
提案プロトコルは, 期待値, 忠実度, 絡み合いエントロピーなどの状態特性を, サンプルの複雑さを低く保ちながら正確に復元する。
この理論的および実験的分析を組み合わせることで、ロバストな浅い影プロトコルは、スケーラブルで堅牢でサンプル効率のよいプロトコルとして位置づけられる。
- 参考スコア（独自算出の注目度）: 1.412425180760368
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extracting information efficiently from quantum systems is a major component
of quantum information processing tasks. Randomized measurements, or classical
shadows, enable predicting many properties of arbitrary quantum states using
few measurements. While random single qubit measurements are experimentally
friendly and suitable for learning low-weight Pauli observables, they perform
poorly for nonlocal observables. Prepending a shallow random quantum circuit
before measurements maintains this experimental friendliness, but also has
favorable sample complexities for observables beyond low-weight Paulis,
including high-weight Paulis and global low-rank properties such as fidelity.
However, in realistic scenarios, quantum noise accumulated with each additional
layer of the shallow circuit biases the results. To address these challenges,
we propose the robust shallow shadows protocol. Our protocol uses Bayesian
inference to learn the experimentally relevant noise model and mitigate it in
postprocessing. This mitigation introduces a bias-variance trade-off:
correcting for noise-induced bias comes at the cost of a larger estimator
variance. Despite this increased variance, as we demonstrate on a
superconducting quantum processor, our protocol correctly recovers state
properties such as expectation values, fidelity, and entanglement entropy,
while maintaining a lower sample complexity compared to the random single qubit
measurement scheme. We also theoretically analyze the effects of noise on
sample complexity and show how the optimal choice of the shallow shadow depth
varies with noise strength. This combined theoretical and experimental analysis
positions the robust shallow shadow protocol as a scalable, robust, and
sample-efficient protocol for characterizing quantum states on current quantum
computing platforms.
- Abstract（参考訳）: 量子システムから効率的に情報を抽出することは、量子情報処理タスクの主要なコンポーネントである。
ランダム化された測定(古典影)は、任意の量子状態の多くの特性をわずかな測定で予測できる。
ランダムな単一量子ビットの測定は実験的に親和性があり、低重量のpauli観測値の学習に適しているが、非局所観測値では不十分である。
測定前の浅いランダム量子回路に先行して、この実験的な親和性を維持するが、高重量のポーリスやフィデリティのような大域的な低ランク特性を含む、低重量のポーリス以外の可観測性には好適なサンプル複雑さがある。
しかし、現実的なシナリオでは、浅い回路の各層に量子ノイズが蓄積され、結果が偏る。
これらの課題に対処するため,我々はhash shadowsプロトコルを提案する。
提案プロトコルはベイズ推定を用いて実験的なノイズモデルを学び,後処理において緩和する。
この緩和はバイアス分散のトレードオフをもたらし、ノイズ誘起バイアスの補正はより大きい推定値分散のコストで行われる。
このような分散の増大にもかかわらず、超伝導量子プロセッサで示すように、我々のプロトコルは、ランダムな単一量子ビット測定方式に比べて低いサンプル複雑さを維持しながら、期待値、忠実度、絡み合いエントロピーなどの状態特性を正確に回復する。
また, ノイズがサンプルの複雑さに与える影響を理論的に解析し, 浅い影の深さの最適選択が雑音強度によってどう変化するかを示す。
この理論と実験的分析の組み合わせは、ロバストな浅層影プロトコルを、現在の量子コンピューティングプラットフォーム上で量子状態を特徴付けるスケーラブルでロバストでサンプル効率の良いプロトコルとして位置づけている。
関連論文リスト
- Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文 参考訳（メタデータ） (2024-01-31T01:02:16Z) - Provable bounds for noise-free expectation values computed from noisy
samples [1.3194391758295114]
我々はサンプリングオーバーヘッドを定量化し、ノイズの多い量子コンピュータから良いサンプルを抽出する。
これにより、ノイズのない予測値の証明可能な境界を決定するために、ノイズのリスクにおける条件値が利用できることを示す。
論文 参考訳（メタデータ） (2023-12-01T17:12:18Z) - Benchmarking a boson sampler with Hamming nets [1.0555513406636092]
本稿では,未知の散乱行列を持つボソンサンプリング器をベンチマークする機械学習ベースのプロトコルを提案する。
現在実験で利用可能なボソンサンプリング装置のキャラクタリゼーションに,本フレームワークを直接適用することができる。
論文 参考訳（メタデータ） (2023-05-18T13:07:02Z) - Quantum Conformal Prediction for Reliable Uncertainty Quantification in
Quantum Machine Learning [47.991114317813555]
量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。
本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
論文 参考訳（メタデータ） (2023-04-06T22:05:21Z) - 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) - Testing quantum computers with the protocol of quantum state matching [0.0]
量子コンピュータにおけるノイズの存在は、その効果的な操作を妨げる。
我々は、いわゆる量子状態マッチングプロトコルを試験目的に適用することを提案する。
体系的に異なる入力に対して、より小さな量子ボリュームを持つデバイスは、より大きい量子ボリュームを持つデバイスよりも、我々のテストでより優れた性能を発揮する。
論文 参考訳（メタデータ） (2022-10-18T08:25:34Z) - Probing finite-temperature observables in quantum simulators of spin
systems with short-time dynamics [62.997667081978825]
ジャジンスキー等式から動機付けられたアルゴリズムを用いて, 有限温度可観測体がどのように得られるかを示す。
長範囲の逆場イジングモデルにおける有限温度相転移は、捕捉されたイオン量子シミュレータで特徴づけられることを示す。
論文 参考訳（メタデータ） (2022-06-03T18:00:02Z) - Improved Quantum Algorithms for Fidelity Estimation [77.34726150561087]
証明可能な性能保証を伴う忠実度推定のための新しい,効率的な量子アルゴリズムを開発した。
我々のアルゴリズムは量子特異値変換のような高度な量子線型代数技術を用いる。
任意の非自明な定数加算精度に対する忠実度推定は一般に困難であることを示す。
論文 参考訳（メタデータ） (2022-03-30T02:02:16Z) - Bosonic field digitization for quantum computers [62.997667081978825]
我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。
本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
論文 参考訳（メタデータ） (2021-08-24T15:30:04Z) - Noise and the frontier of quantum supremacy [1.3375143521862154]
ノイズはNISQ時代の決定的な特徴であるが、ノイズの多い量子デバイスが量子スピードアップが可能かどうかは不明だ。
本研究では,現実的な雑音を伴う量子ランダム回路サンプリング実験の複雑さについて検討する。
意外なことに、ノイズの多いランダムな量子回路の出力確率を誤り訂正なしで計算することは依然として困難である。
論文 参考訳（メタデータ） (2021-02-02T20:23:13Z) - Robust shadow estimation [1.7205106391379026]
本稿では,Huang,Kueng,Preskillが最近提案したシャドウ推定プロトコルにおける誤りの軽減方法について述べる。
標準的なシャドウ推定方式に実験的にフレンドリなキャリブレーション段階を加えることで、我々の頑健なシャドウ推定アルゴリズムは量子系の古典的なシャドウの偏りのない推定値を得ることができる。
論文 参考訳（メタデータ） (2020-11-19T03:46:49Z)
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。