論文の概要: Machine Learning Methods as Robust Quantum Noise Estimators

• arxiv url: http://arxiv.org/abs/2409.14831v1
• Date: Mon, 23 Sep 2024 09:00:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 20:50:08.815745
• Title: Machine Learning Methods as Robust Quantum Noise Estimators
• Title（参考訳）: ロバスト量子雑音推定器としての機械学習手法
• Authors: Jon Gardeazabal-Gutierrez, Erik B. Terres-Escudero, Pablo García Bringas,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Access to quantum computing is steadily increasing each year as the speed advantage of quantum computers solidifies with the growing number of usable qubits. However, the inherent noise encountered when running these systems can lead to measurement inaccuracies, especially pronounced when dealing with large or complex circuits. Achieving a balance between the complexity of circuits and the desired degree of output accuracy is a nontrivial yet necessary task for the creation of production-ready quantum software. In this study, we demonstrate how traditional machine learning (ML) models can estimate quantum noise by analyzing circuit composition. To accomplish this, we train multiple ML models on random quantum circuits, aiming to learn to estimate the discrepancy between ideal and noisy circuit outputs. By employing various noise models from distinct IBM systems, our results illustrate how this approach can accurately predict the robustness of circuits with a low error rate. By providing metrics on the stability of circuits, these techniques can be used to assess the quality and security of quantum code, leading to more reliable quantum products.
• Abstract（参考訳）: 量子コンピュータの速度優位性は、使用可能な量子ビットの数の増加とともに固まるので、量子コンピューティングへのアクセスは毎年着実に増加している。 しかし、これらのシステムを実行する際に発生する固有のノイズは、特に大きな回路や複雑な回路を扱う際に、測定の不正確さを引き起こす可能性がある。 回路の複雑さと所望の出力精度のバランスを取ることは、生産可能な量子ソフトウェアを作成するのに必要とされない作業である。 本研究では,従来の機械学習モデルを用いて,回路構成を分析して量子ノイズを推定する方法を実証する。 これを実現するために、ランダムな量子回路上で複数のMLモデルを訓練し、理想回路と雑音回路の出力の差を推定することを目指す。 異なるIBMシステムからの様々なノイズモデルを用いることで,本手法が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。 回路の安定性に関するメトリクスを提供することにより、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。

関連論文リスト

• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• 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)
• Data compression for quantum machine learning [2.119778346188635]
  量子コンピュータで使用する古典的データを効率よく圧縮・ロードする問題に対処する。 提案手法により,必要量子ビット数と量子回路の深さを調整できる。
  論文  参考訳（メタデータ） (2022-04-24T03:03:14Z)
• 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)
• Improving readout in quantum simulations with repetition codes [0.0]
  繰り返し符号をスケーラブルなスキームとして使用し、量子化学や物理学に関心のある問題に対するより正確な解決策を提供する可能性を秘めている。 提案手法を複数のIBM量子デバイスで実証し, 簡易な理論ノイズモデルを用いて実験結果を検証した。
  論文  参考訳（メタデータ） (2021-05-27T18:01:05Z)
• 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 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)
• 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)
• Minimizing estimation runtime on noisy quantum computers [0.0]
  ベイズ推論の実行には、ELF(Engineered chance function)が用いられる。 物理ハードウェアがノイズの多い量子コンピュータの仕組みから遷移するにつれて,ELF形式がサンプリングにおける情報ゲイン率をいかに向上させるかを示す。 この技術は、化学、材料、ファイナンスなどを含む多くの量子アルゴリズムの中心的なコンポーネントを高速化する。
  論文  参考訳（メタデータ） (2020-06-16T17:46:18Z)

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。