論文の概要: Transformer Models for Quantum Gate Set Tomography

• arxiv url: http://arxiv.org/abs/2405.02097v2
• Date: Thu, 16 Jan 2025 14:17:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 18:31:33.700368
• Title: Transformer Models for Quantum Gate Set Tomography
• Title（参考訳）: 量子ゲートセットトモグラフィのための変圧器モデル
• Authors: King Yiu Yu, Aritra Sarkar, Ryoichi Ishihara, Sebastian Feld,
• Abstract要約: 量子計算は、高性能コンピューティングの領域における有望なフロンティアである。 本研究では,高忠実かつスケーラブルな量子プロセッサを製造する上での課題について検討する。
• 参考スコア（独自算出の注目度）: 1.236829197968612
• License:
• Abstract: Quantum computation represents a promising frontier in the domain of high-performance computing, blending quantum information theory with practical applications to overcome the limitations of classical computation. This study investigates the challenges of manufacturing high-fidelity and scalable quantum processors. Quantum gate set tomography (QGST) is a critical method for characterizing quantum processors and understanding their operational capabilities and limitations. This paper introduces ML4QGST as a novel approach to QGST by integrating machine learning techniques, specifically utilizing a transformer neural network model. Adapting the transformer model for QGST addresses the computational complexity of modeling quantum systems. Advanced training strategies, including data grouping and curriculum learning, are employed to enhance model performance, demonstrating significant congruence with ground-truth values. We benchmark this training pipeline on the constructed learning model, to successfully perform QGST for $3$ gates on a $1$ qubit system with over-rotation error and depolarizing noise estimation with comparable accuracy to pyGSTi. This research marks a pioneering step in applying deep neural networks to the complex problem of quantum gate set tomography, showcasing the potential of machine learning to tackle nonlinear tomography challenges in quantum computing.
• Abstract（参考訳）: 量子計算は、量子情報理論と実用的な応用を融合させ、古典計算の限界を克服する、高性能コンピューティングの領域における有望なフロンティアである。 本研究では,高忠実かつスケーラブルな量子プロセッサを製造する上での課題について検討する。 量子ゲートセットトモグラフィ(QGST)は、量子プロセッサを特徴付け、その動作能力と限界を理解するための重要な方法である。 本稿では、機械学習技術の統合によるQGSTの新しいアプローチとしてML4QGSTを紹介し、特にトランスフォーマーニューラルネットワークモデルを活用する。 QGSTの変圧器モデルへの適応は、量子システムをモデル化する際の計算複雑性に対処する。 データグルーピングやカリキュラム学習といった高度なトレーニング戦略は、モデル性能を向上させるために採用され、地道的な価値とかなりの一致を示している。 このトレーニングパイプラインを構築した学習モデル上でベンチマークし、過剰回転誤差とノイズ推定をpyGSTiに匹敵する精度で除極する1ドルキュービットシステム上で、QGSTを3ドルゲートで実行した。 この研究は、量子ゲートセットトモグラフィーの複雑な問題にディープニューラルネットワークを適用するための先駆的なステップであり、量子コンピューティングにおける非線形トモグラフィー問題に取り組む機械学習の可能性を示している。

関連論文リスト

• A learning agent-based approach to the characterization of open quantum systems [0.0]
  我々は,オープンな量子モデル学習エージェント (oQMLA) フレームワークを導入し,Louvillianフォーマリズムによるマルコフ雑音を考慮した。 ハミルトン作用素とジャンプ作用素を同時に学習することにより、oQMLAは独立に系のコヒーレント力学と非コヒーレント力学の両方を捉える。 複雑化のシミュレーションシナリオにおける本実装の有効性を検証し,ハードウェアによる測定誤差に対するロバスト性を示す。
  論文  参考訳（メタデータ） (2025-01-09T16:25:17Z)
• Quantum Bayesian Networks for Machine Learning in Oil-Spill Detection [3.9554540293311864]
  本稿では、量子ベイズネットワーク(QBN)を用いて、不均衡なデータセットを分類する新しいベイズアプローチを提案する。 量子拡張を古典的な機械学習アーキテクチャに統合するという課題を効果的に解決する。 本研究は, 異常の検出・分類において重要な進歩を示し, より効果的かつ正確な環境モニタリング・管理に寄与している。
  論文  参考訳（メタデータ） (2024-12-24T15:44:26Z)
• From Easy to Hard: Tackling Quantum Problems with Learned Gadgets For Real Hardware [0.0]
  強化学習は強力なアプローチであることが証明されているが、量子ビット上の可能な操作の空間の指数的スケーリングによって、多くの制限が残っている。 本稿では,合成ゲートを自動的に学習するアルゴリズム($gadgets$)を開発し,探索を容易にするための強化学習エージェントに追加のアクションとして追加する。 GRLでは,TFIMの基底状態を最大107ドルの折り畳みで推定する際の誤差を改善する,非常にコンパクトなPQCが見つかる。
  論文  参考訳（メタデータ） (2024-10-31T22:02:32Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
  本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。 QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
  論文  参考訳（メタデータ） (2024-05-18T14:35:57Z)
• Stabilization and Dissipative Information Transfer of a Superconducting Kerr-Cat Qubit [0.0]
  そこで我々は,Cat-Qubitと呼ばれる量子ビットモデルへの消散情報伝達について検討した。 このモデルは、二項量子分類の散逸に基づくバージョンにとって特に重要である。 Cat-Qubitアーキテクチャは、人工ニューラルネットワークでアクティベーションライクな機能を実装できる可能性がある。
  論文  参考訳（メタデータ） (2023-07-23T11:28:52Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• Simulating the Mott transition on a noisy digital quantum computer via Cartan-based fast-forwarding circuits [62.73367618671969]
  動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。 不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。 この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
  論文  参考訳（メタデータ） (2021-12-10T17:32:15Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)

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。