論文の概要: Average circuit eigenvalue sampling on NISQ devices

• arxiv url: http://arxiv.org/abs/2403.12857v1
• Date: Tue, 19 Mar 2024 16:02:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 13:34:19.969554
• Title: Average circuit eigenvalue sampling on NISQ devices
• Title（参考訳）: NISQデバイスにおける平均回路固有値サンプリング
• Authors: Emilio Pelaez Cisneros, Victory Omole, Pranav Gokhale, Rich Rines, Kaitlin N. Smith, Michael A. Perlin, Akel Hashim,
• Abstract要約: 平均回路固有値サンプリング (ACES) はFlamia が arXiv:2108.05803 で導入した。 この作業は、実際のデバイス向けのACESの完全な実装を示し、Superstaq arXiv:2309.05157にデプロイすることで、この方向に進んでいる。 シミュレーションの結果,ACES は 1-および 2-qubit の非一様パウリ誤差チャネルを平均固有値絶対誤差$0.003$ 以下と推定できることがわかった。
• 参考スコア（独自算出の注目度）: 1.203335059314146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Average circuit eigenvalue sampling (ACES) was introduced by Flammia in arXiv:2108.05803 as a protocol to characterize the Pauli error channels of individual gates across the device simultaneously. The original paper posed using ACES to characterize near-term devices as an open problem. This work advances in this direction by presenting a full implementation of ACES for real devices and deploying it to Superstaq arXiv:2309.05157, along with a device-tailored resource estimation obtained through simulations and experiments. Our simulations show that ACES is able to estimate one- and two-qubit non-uniform Pauli error channels to an average eigenvalue absolute error of under $0.003$ and total variation distance of under 0.001 between simulated and reconstructed probability distributions over Pauli errors with $10^5$ shots per circuit using 5 circuits of depth 14. The question of estimating general error channels through twirling techniques in real devices remains open, as it is dependent on a device's native gates, but simulations with the Clifford set show results in agreement with reported hardware data. Experimental results on IBM's Algiers and Osaka devices are presented, where we characterize their error channels as Pauli channels without twirling.
• Abstract（参考訳）: 平均回路固有値サンプリング (ACES) はFlamia が arXiv:2108.05803 で導入した。 原論文では、ACESを用いて、短期機器をオープンな問題として特徴付けている。 この研究は、実際のデバイス向けのACESの完全な実装を提示し、それをSuperstaq arXiv:2309.05157にデプロイし、シミュレーションと実験によって得られたデバイスに合わせたリソース推定を行うことによって、この方向に進んでいる。 シミュレーションにより,ACESは1ビットおよび2ビットの非一様パウリ誤差チャネルを平均固有値絶対誤差0.003$および0.001ドル以下で推定できることを示した。 デバイスのネイティブゲートに依存しているため、実際のデバイスでツイリング技術によって一般的なエラーチャネルを推定する問題は未解決のままであるが、Cliffordセットによるシミュレーションは、報告されたハードウェアデータと一致する結果を示している。 IBM の Algiers と Osaka デバイスに関する実験結果が提示され,エラーチャネルを乱れのない Pauli チャネルとして特徴付ける。

関連論文リスト

• One-shot Multiple Access Channel Simulation [9.271640666465364]
  製品入力に対する共有ランダム性支援多重アクセスチャネル(MAC)シミュレーションの問題点を考察する。 チャネルのスムーズな最大情報を用いて,内界と外界をほぼマッチングすることで,ワンショット通信コスト領域を特徴付ける。
  論文  参考訳（メタデータ） (2024-10-22T17:18:38Z)
• Scalable noise characterisation of syndrome extraction circuits with averaged circuit eigenvalue sampling [0.0]
  平均回路固有値サンプリング(ACES)は、量子回路のスケーラブルなノイズ特性化のための一般的なフレームワークである。 ACES 実験の性能を厳密に分析することにより,期待される性能に対するメリットの図形を導出する。 以上の結果から,ノイズの詳細な特徴付け手法は短期量子デバイスに拡張可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-04-09T18:00:30Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• Experimental Characterization of Fault-Tolerant Circuits in Small-Scale Quantum Processors [67.47400131519277]
  符号の論理ゲートセットは、10以上のゲートシーケンスに対してフォールトトレラントとみなすことができる。 一部の回路は耐故障性基準を満たしていなかった。 試験した回路が低次元の出力状態に制限された場合に、耐故障性基準を評価するのが最も正確である。
  論文  参考訳（メタデータ） (2021-12-08T01:52:36Z)
• Relating Measurement Patterns to Circuits via Pauli Flow [0.0]
  パウリ流を効率的に同定し,ゲート型量子回路に変換できることを示す。 次に、この関係を利用して、ZX-計算におけるグラフ理論の書き換えの効果をシミュレーション結果から導出する。
  論文  参考訳（メタデータ） (2021-09-13T00:48:24Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)
• Averaged circuit eigenvalue sampling [0.38073142980732994]
  ACESは平均回路固有値サンプリングの略である。 同時に、量子回路の集合における全てのゲートの個々のエラー率を推定する。
  論文  参考訳（メタデータ） (2021-08-12T15:36:49Z)
• Fast Estimation of Sparse Quantum Noise [1.933681537640272]
  我々は、$s$非ゼロパウリ誤差率を$s$スパース、$n$量子パウリノイズチャネルで推定する実用的なアルゴリズムを提案する。 我々は,IBM 14-qubit 超伝導デバイスのデータに対して,単純化されたクリフォード回路を用いたアルゴリズムのバージョンを実験的に検証した。
  論文  参考訳（メタデータ） (2020-07-15T18:00:01Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。