論文の概要: Scalable noise characterisation of syndrome extraction circuits with averaged circuit eigenvalue sampling
- arxiv url: http://arxiv.org/abs/2404.06545v1
- Date: Tue, 9 Apr 2024 18:00:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-11 16:18:39.558521
- Title: Scalable noise characterisation of syndrome extraction circuits with averaged circuit eigenvalue sampling
- Title（参考訳）: 平均回路固有値サンプリングを用いたシンドローム抽出回路のスケーラブルノイズ特性評価
- Authors: Evan T. Hockings, Andrew C. Doherty, Robin Harper,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Characterising the performance of noisy quantum circuits is central to the production of prototype quantum computers and can enable improved quantum error correction that exploits noise biases identified in a quantum device. We describe an implementation of averaged circuit eigenvalue sampling (ACES), a general framework for the scalable noise characterisation of quantum circuits. ACES is capable of simultaneously estimating the Pauli error probabilities of all gates in a Clifford circuit, and captures averaged spatial correlations between gates implemented simultaneously in the circuit. By rigorously analysing the performance of ACES experiments, we derive a figure of merit for their expected performance, allowing us to optimise ACES experimental designs and improve the precision to which we estimate noise given fixed experimental resources. Since the syndrome extraction circuits of quantum error correcting codes are representative components of a fault-tolerant architecture, we demonstrate the scalability and performance of our ACES protocol through circuit-level numerical simulations of the entire noise characterisation procedure for the syndrome extraction circuit of a distance 25 surface code with over 1000 qubits. Our results indicate that detailed noise characterisation methods are scalable to near-term quantum devices. We release our code in the form of the Julia package AveragedCircuitEigenvalueSampling.jl.
- Abstract（参考訳）: ノイズの多い量子回路の性能を特徴付けることは、試作量子コンピュータの製造の中心であり、量子デバイスで特定されたノイズバイアスを利用する量子エラー補正の改善を可能にする。
本稿では、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平均回路固有値サンプリング(ACES)の実装について述べる。
ACESはクリフォード回路内の全てのゲートのパウリ誤差確率を同時に推定し、回路内に同時に実装されたゲート間の平均空間相関をキャプチャする。
ACES実験の性能を厳密に分析することにより、ACES実験設計を最適化し、固定実験資源に与えられた騒音を推定する精度を向上させることができる。
量子誤り訂正符号のシンドローム抽出回路はフォールトトレラントアーキテクチャの代表的なコンポーネントであるため,1000キュービットを超える距離25面符号のシンドローム抽出回路に対する全ノイズキャラクタリゼーション手順の回路レベル数値シミュレーションにより,ACESプロトコルのスケーラビリティと性能を実証する。
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。
コードをJuliaパッケージのAveragedCircuitEigenvalueSampling.jlとしてリリースします。
関連論文リスト
- Machine Learning Methods as Robust Quantum Noise Estimators [0.0]
従来の機械学習モデルでは、回路構成を分析して量子ノイズを推定する方法を示す。
提案手法は,回路のロバスト性を低い誤差率で正確に予測できることを示す。
これらの技術は、量子コードの品質とセキュリティを評価するために使用することができ、より信頼性の高い量子製品に繋がる。
論文 参考訳（メタデータ） (2024-09-23T09:00:12Z) - Quantum Compiling with Reinforcement Learning on a Superconducting Processor [55.135709564322624]
超伝導プロセッサのための強化学習型量子コンパイラを開発した。
短絡の新規・ハードウェア対応回路の発見能力を示す。
本研究は,効率的な量子コンパイルのためのハードウェアによるソフトウェア設計を実証する。
論文 参考訳（メタデータ） (2024-06-18T01:49:48Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Dynamical subset sampling of quantum error correcting protocols [0.0]
本稿では, 耐故障性QECの例を例に, 動的サブセットサンプリングの機能を示す。
そこで本研究では,不整合パウリ雑音の強度$p = 10-3$の典型的な安定化器シミュレーションにおいて,論理的故障率に対して必要なサンプリング精度が得られることを示す。
論文 参考訳（メタデータ） (2023-09-22T10:32:20Z) - Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。
我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
論文 参考訳（メタデータ） (2022-04-12T19:39:31Z) - 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) - 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) - Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。
これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。
シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
論文 参考訳（メタデータ） (2021-05-20T17:06:52Z) - Quantum Divide and Compute: Exploring The Effect of Different Noise
Sources [0.9659642285903421]
量子回路をより少ない量子ビットとより浅い深さで小さな断片に分割できる量子除算計算法(QDC)の最初の実装について述べる。
本稿では,QDC法の成功確率に対する異なるノイズ源の影響について検討する。
我々は,IBM の Johannesburg プロセッサ上での実験的な動作を再現するために使用したノイズモデルについて詳述する。
論文 参考訳（メタデータ） (2021-02-07T12:18:04Z) - Machine learning of noise-resilient quantum circuits [0.8258451067861933]
雑音の緩和と低減は、短期量子コンピュータから有用な答えを得るのに不可欠である。
本稿では,量子回路における量子ハードウェアノイズの影響を低減するための機械学習に基づく汎用フレームワークを提案する。
ノイズ対応回路学習(NACL)と呼ばれる手法は、ユニタリ変換を計算したり、量子状態のセットを作成したり、多ビット状態の観測可能な状態を推定したりするために設計された回路に適用される。
論文 参考訳（メタデータ） (2020-07-02T15:43:32Z) - A deep learning model for noise prediction on near-term quantum devices [137.6408511310322]
我々は、量子デバイスからの実験データに基づいて畳み込みニューラルネットワークをトレーニングし、ハードウェア固有のノイズモデルを学ぶ。
コンパイラはトレーニングされたネットワークをノイズ予測器として使用し、期待されるノイズを最小限に抑えるために回路にゲートのシーケンスを挿入する。
論文 参考訳（メタデータ） (2020-05-21T17:47:29Z)
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。