論文の概要: A Machine Learning-Based Error Mitigation Approach For Reliable Software Development On IBM'S Quantum Computers

• arxiv url: http://arxiv.org/abs/2404.12892v1
• Date: Fri, 19 Apr 2024 13:51:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-22 14:57:17.369438
• Title: A Machine Learning-Based Error Mitigation Approach For Reliable Software Development On IBM'S Quantum Computers
• Title（参考訳）: IBMの量子コンピュータ上での信頼性の高いソフトウェア開発のための機械学習に基づく誤り軽減手法
• Authors: Asmar Muqeet, Shaukat Ali, Tao Yue, Paolo Arcaini,
• Abstract要約: 現在の量子コンピュータには固有のノイズがあり、量子コンピュータ上で実行される量子ソフトウェアの出力に誤差をもたらす。 本稿では、量子ソフトウェア出力におけるノイズエラーを軽減するために、Q-LEARと呼ばれる実用的な機械学習手法を提案する。 その結果、Q-LEARはベースラインと比較して、実量子コンピュータとシミュレータの両方で平均25%の誤差低減を実現した。
• 参考スコア（独自算出の注目度）: 8.50998018964906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum computers have the potential to outperform classical computers for some complex computational problems. However, current quantum computers (e.g., from IBM and Google) have inherent noise that results in errors in the outputs of quantum software executing on the quantum computers, affecting the reliability of quantum software development. The industry is increasingly interested in machine learning (ML)--based error mitigation techniques, given their scalability and practicality. However, existing ML-based techniques have limitations, such as only targeting specific noise types or specific quantum circuits. This paper proposes a practical ML-based approach, called Q-LEAR, with a novel feature set, to mitigate noise errors in quantum software outputs. We evaluated Q-LEAR on eight quantum computers and their corresponding noisy simulators, all from IBM, and compared Q-LEAR with a state-of-the-art ML-based approach taken as baseline. Results show that, compared to the baseline, Q-LEAR achieved a 25% average improvement in error mitigation on both real quantum computers and simulators. We also discuss the implications and practicality of Q-LEAR, which, we believe, is valuable for practitioners.
• Abstract（参考訳）: 量子コンピュータは、いくつかの複雑な計算問題のために古典的コンピュータより優れている可能性がある。 しかし、現在の量子コンピュータ(IBMやGoogleなど)には固有のノイズがあり、量子コンピュータ上で実行される量子ソフトウェアの出力に誤差が生じ、量子ソフトウェア開発の信頼性に影響を及ぼす。 スケーラビリティと実用性を考えると、業界は機械学習(ML)ベースのエラー軽減技術にますます関心を寄せている。 しかし、既存のMLベースの技術には、特定のノイズタイプや特定の量子回路のみを対象としているような制限がある。 本稿では、量子ソフトウェア出力におけるノイズエラーを軽減するため、Q-LEARと呼ばれる実用的なMLベースの手法を提案する。 我々は、IBMの8つの量子コンピュータとそれに対応するノイズシミュレータ上でQ-LEARを評価し、Q-LEARと最先端のMLベースのアプローチをベースラインとして比較した。 その結果、Q-LEARはベースラインと比較して、実量子コンピュータとシミュレータの両方で平均25%の誤差低減を実現した。 また,Q-LEARの意義と実践性についても論じる。

関連論文リスト

• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• Assessing Quantum Extreme Learning Machines for Software Testing in Practice [6.071493448254842]
  量子ノイズが3つの産業的および実世界の古典的ソフトウェアテストケーススタディにおいてQELMに与える影響について検討する。 その結果,QELMは量子ノイズの影響が大きく,回帰タスクは250%,分類タスクは50%であった。 誤差軽減技術は耐雑音性を高めることができるが、平均3.0%の性能低下を達成することはできるが、その効果は文脈によって異なる。
  論文  参考訳（メタデータ） (2024-10-20T20:17:58Z)
• Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
  本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。 小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
  論文  参考訳（メタデータ） (2024-04-01T20:55:03Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
  本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。 本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
  論文  参考訳（メタデータ） (2022-09-16T02:37:32Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Programming Quantum Hardware via Levenberg Marquardt Machine Learning [2.127049691404299]
  機械学習は、量子コンピュータを非論理的にプログラムする体系的な方法として使用できる。 我々は、我々の機械学習アプローチがノイズとデコヒーレンスの両方に対して堅牢であることを示した。 この結果、IBMハードウェアへの移植に成功し、強力なハイブリッド強化学習技術を用いてトレーニングされた。
  論文  参考訳（メタデータ） (2022-04-14T15:05:41Z)
• Simulating open quantum many-body systems using optimised circuits in digital quantum simulation [0.0]
  修正シュル・オーディンガー方程式(MSSE)のトロタライゼーションを伴う開量子系のモデルについて検討する。 MSSEにおけるリードエラーの最小化は、量子回路の最適化を可能にする。 我々はこのアルゴリズムをIBM Quantumデバイス上で実行し、現在のマシンはノイズのために定量的に正確な時間力学を与えるのが困難であることを示した。
  論文  参考訳（メタデータ） (2022-03-27T13:00:02Z)
• Neural Error Mitigation of Near-Term Quantum Simulations [0.0]
  ニューラルネットワークを用いて地下状態と地下状態の観測器の推定を改善する新しい方法である$textitneural error mitigation$を紹介します。 その結果, ニューラルエラーの低減により, 数値計算と実験的VQE計算が向上し, 低エネルギー誤差が得られた。 提案手法は,複雑な量子シミュレーション問題を解くために,短期量子コンピュータの到達範囲を広げる有望な戦略である。
  論文  参考訳（メタデータ） (2021-05-17T18:00:57Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)
• An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
  小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。 量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
  論文  参考訳（メタデータ） (2020-05-06T14:18:44Z)

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。