論文の概要: Pauli Noise Learning for Mid-Circuit Measurements

• arxiv url: http://arxiv.org/abs/2406.09299v2
• Date: Wed, 02 Oct 2024 06:26:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-03 15:17:02.933540
• Title: Pauli Noise Learning for Mid-Circuit Measurements
• Title（参考訳）: 中間回路計測のためのパウリ雑音学習
• Authors: Jordan Hines, Timothy Proctor,
• Abstract要約: 中間回路計測(MCM)におけるパウリ雑音の学習理論について紹介する。 MCMをベンチマークするスケーラブルな方法であるMCMサイクルベンチマークの作成に使用しています。 提案手法は既存のパウリ雑音学習手法に統合され,MCMを含む幅広い回路の特性評価とベンチマークを行うことができる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Current benchmarks for mid-circuit measurements (MCMs) are limited in scalability or the types of error they can quantify, necessitating new techniques for quantifying their performance. Here, we introduce a theory for learning Pauli noise in MCMs and use it to create MCM cycle benchmarking, a scalable method for benchmarking MCMs. MCM cycle benchmarking extracts detailed information about the rates of errors in randomly compiled layers of MCMs and Clifford gates, and we demonstrate how its results can be used to quantify correlated errors during MCMs on current quantum hardware. Our method can be integrated into existing Pauli noise learning techniques to scalably characterize and benchmark wide classes of circuits containing MCMs.
• Abstract（参考訳）: 現在のMCM(Mid-circuit Measurement)のベンチマークは、スケーラビリティや、それらが定量化できるエラーの種類に制限されており、パフォーマンスを定量化する新しいテクニックを必要としている。 本稿では,MCM におけるパウリ雑音の学習理論を紹介し,それを MCM のベンチマークを行うスケーラブルな手法である MCM サイクルベンチマークの作成に利用する。 MCMサイクルベンチマークは、ランダムにコンパイルされたMCMとクリフォードゲートのエラー率の詳細情報を抽出し、その結果を現在の量子ハードウェア上でのMCM間の相関誤差の定量化に利用することができることを示す。 提案手法は既存のパウリ雑音学習手法に統合され,MCMを含む幅広い回路の特性評価とベンチマークを行うことができる。

関連論文リスト

• A generalized cycle benchmarking algorithm for characterizing mid-circuit measurements [7.3303270099680535]
  MCM(Mid-circuit Measurement)は、フォールトトレラント量子計算の開発において重要な要素である。 ノイズの多いMCMを特徴付けるサイクルベンチマーク (CB) 型アルゴリズムを開発した。 MCMにおける計測ノイズと状態準備ノイズの独立性をテストするために学習した情報を利用する方法を示す。
  論文  参考訳（メタデータ） (2024-06-04T18:00:00Z)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• Multi-kernel Correntropy-based Orientation Estimation of IMUs: Gradient Descent Methods [3.8286082196845466]
  コレントロピーに基づく降下勾配(CGD)とコレントロピーに基づく非結合配向推定(CDOE) 従来の方法は平均二乗誤差(MSE)基準に依存しており、外部加速度や磁気干渉に弱い。 新しいアルゴリズムは、カルマンフィルタベースのアプローチよりも計算の複雑さが著しく低いことを示している。
  論文  参考訳（メタデータ） (2023-04-13T13:57:33Z)
• Adaptive quantum error mitigation using pulse-based inverse evolutions [0.0]
  本稿では,ターゲット装置の雑音レベルに適応する適応KIKというQEM手法を提案する。 この手法の実装は実験的にシンプルであり、トモグラフィ情報や機械学習の段階は含まない。 我々は、IBM量子コンピュータと数値シミュレーションを用いて、我々の研究結果を実証した。
  論文  参考訳（メタデータ） (2023-03-09T02:50:53Z)
• Measuring NISQ Gate-Based Qubit Stability Using a 1+1 Field Theory and Cycle Benchmarking [50.8020641352841]
  量子ハードウェアプラットフォーム上でのコヒーレントエラーを, サンプルユーザアプリケーションとして, 横フィールドIsing Model Hamiltonianを用いて検討した。 プロセッサ上の物理位置の異なる量子ビット群に対する、日中および日中キュービット校正ドリフトと量子回路配置の影響を同定する。 また,これらの測定値が,これらの種類の誤差をよりよく理解し,量子計算の正確性を評価するための取り組みを改善する方法についても論じる。
  論文  参考訳（メタデータ） (2022-01-08T23:12:55Z)
• Performance of teleportation-based error correction circuits for bosonic codes with noisy measurements [58.720142291102135]
  テレポーテーションに基づく誤り訂正回路を用いて、回転対称符号の誤り訂正能力を解析する。 マイクロ波光学における現在達成可能な測定効率により, ボソニック回転符号の破壊ポテンシャルは著しく低下することが判明した。
  論文  参考訳（メタデータ） (2021-08-02T16:12:13Z)
• Machine Learning for Model Order Selection in MIMO OFDM Systems [19.0581196881206]
  無線チャネルを構成するマルチパスコンポーネント(MPC)の数を決定する機械学習(ML)手法を提案する。 その結果,提案手法は信頼性が向上していることがわかった。
  論文  参考訳（メタデータ） (2021-06-22T09:42:15Z)
• Performance Indicator in Multilinear Compressive Learning [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは,多次元信号を扱う際の知覚と学習のステップを効率的に最適化するために提案された。 本稿では,入力信号の分解能,圧縮された測定値数,MCLの学習性能の関係を解析する。
  論文  参考訳（メタデータ） (2020-09-22T11:27:50Z)
• ECML: An Ensemble Cascade Metric Learning Mechanism towards Face Verification [50.137924223702264]
  特に、階層的メートル法学習はカスケード方式で実行され、不適合を緩和する。 顔の特徴分布特性を考慮し, 閉形解を用いたロバストなマハラノビス計量学習法(RMML)を提案する。 EC-RMMLは、顔認証のための最先端のメトリック学習法よりも優れている。
  論文  参考訳（メタデータ） (2020-07-11T08:47:07Z)
• Scalable quantum processor noise characterization [57.57666052437813]
  累積展開に基づく多ビットデバイスに対する近似的MCMを構築するためのスケーラブルな方法を提案する。 また,本手法は,様々な種類の相関誤差を特徴付けるためにも利用できる。
  論文  参考訳（メタデータ） (2020-06-02T17:39:42Z)

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。