論文の概要: Model validation and error attribution for a drifting qubit

• arxiv url: http://arxiv.org/abs/2411.18715v1
• Date: Wed, 27 Nov 2024 19:39:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:18:59.709612
• Title: Model validation and error attribution for a drifting qubit
• Title（参考訳）: ドリフト量子ビットのモデル検証と誤差属性
• Authors: Malick A. Gaye, Dylan Albrecht, Steve Young, Tameem Albash, N. Tobias Jacobson,
• Abstract要約: ビット性能は、様々な単一値のメトリクスでしばしば報告され、それぞれが性能を制限するノイズメカニズムのファセットを提供する。 これらの値の分布を用いて、候補雑音モデルの検証や無効化を行う方法を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Qubit performance is often reported in terms of a variety of single-value metrics, each providing a facet of the underlying noise mechanism limiting performance. However, the value of these metrics may drift over long time-scales, and reporting a single number for qubit performance fails to account for the low-frequency noise processes that give rise to this drift. In this work, we demonstrate how we can use the distribution of these values to validate or invalidate candidate noise models. We focus on the case of randomized benchmarking (RB), where typically a single error rate is reported but this error rate can drift over time when multiple passes of RB are performed. We show that using a statistical test as simple as the Kolmogorov-Smirnov statistic on the distribution of RB error rates can be used to rule out noise models, assuming the experiment is performed over a long enough time interval to capture relevant low frequency noise. With confidence in a noise model, we show how care must be exercised when performing error attribution using the distribution of drifting RB error rate.
• Abstract（参考訳）: ビット性能は、様々な単一値のメトリクスでしばしば報告され、それぞれが性能を制限するノイズメカニズムのファセットを提供する。 しかし、これらの測定値の値は長い時間スケールでドリフトし、キュービット性能の1つの数値を報告しても、このドリフトを引き起こす低周波ノイズ過程を考慮できない。 本研究では、これらの値の分布を用いて、候補雑音モデルの有効性を検証または無効化する方法を実証する。 ランダム化ベンチマーク(RB)の場合、通常は1回のエラー率を報告するが、RBの複数回のパスを実行すると、このエラー率は時間とともにドリフトする。 RB誤差率の分布に関するKolmogorov-Smirnov統計値と同じくらい単純な統計テストを用いることで、実験が関連する低周波雑音を捉えるのに十分な時間間隔で行われると仮定して、ノイズモデルを除外できることを示す。 ノイズモデルに自信を持って、ドリフトするRB誤差率の分布を用いて誤り帰属を行う場合、いかに注意が必要であるかを示す。

関連論文リスト

• Modeling error correction with Lindblad dynamics and approximate channels [0.0]
  雑音の異なる近似が5ビット符号の性能をいかに捉えるかを検討する。 パウリ近似は単一量子チャネルを超えており、ノイズ、状態、デコーダの詳細に敏感である。 このモデル内で出現する擬似閾値を計算し、より優れたデコーダの設計に量子ビットパラメータと接続性に関する知識をどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2024-02-26T16:48:34Z)
• FPR Estimation for Fraud Detection in the Presence of Class-Conditional Label Noise [0.0]
  検証セットに誤りラベル(ラベルノイズ)が存在する場合、二項分類モデルに対して偽/真陽性レート(FPR/TPR)を推定する問題を考察する。 当社のモチベーション応用は不正防止であり,FPRの正確な推定値が顧客エクスペリエンスの維持に不可欠である。
  論文  参考訳（メタデータ） (2023-08-04T20:14:34Z)
• Operational Markovianization in Randomized Benchmarking [7.680510419135912]
  我々は、動的デカップリング(DD)やランダムコンパイル(RC)のようなエラー抑制技術がランダムベンチマーク(RB)を動作的にマーカビアン化できることを解析的に示す。 提案手法は,非マルコフ雑音を同時に低減し,標準かつ信頼性の高いゲート品質推定を可能にする。
  論文  参考訳（メタデータ） (2023-05-08T13:37:18Z)
• On Calibrating Diffusion Probabilistic Models [78.75538484265292]
  拡散確率モデル(DPM)は様々な生成タスクにおいて有望な結果を得た。 そこで本研究では,任意の事前学習DPMを校正する簡単な方法を提案する。 キャリブレーション法は1回だけ行い, 得られたモデルをサンプリングに繰り返し使用することができる。
  論文  参考訳（メタデータ） (2023-02-21T14:14:40Z)
• Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
  GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。 我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。 本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
  論文  参考訳（メタデータ） (2023-01-23T19:57:58Z)
• Improving the Robustness of Summarization Models by Detecting and Removing Input Noise [50.27105057899601]
  本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。 本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T00:33:11Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• Confidence intervals for the Cox model test error from cross-validation [91.3755431537592]
  クロスバリデーション(CV)は、モデルの試験誤差を推定する統計学習において最も広く使われている手法の1つである。 CVからの推定値を用いたテストエラーの標準信頼区間は、名目レベル以下である可能性がある。 この問題の1つの方法は、ネストされたCVを使って予測誤差の平均2乗誤差を推定することである。
  論文  参考訳（メタデータ） (2022-01-26T06:40:43Z)
• Distributionally Robust Multi-Output Regression Ranking [3.9318191265352196]
  DRMRR(Distributedally Robust Multi-output Regression Ranking)と呼ばれるリストワイズ学習ランクモデルを導入する。 DRMRRは分散ロバスト最適化フレームワークを使用して、経験的データ分布の近傍で最も有害な分布の下でのマルチ出力損失関数を最小化する。 本実験は,医用文書検索と薬物反応予測の2つの実世界の応用について行った。
  論文  参考訳（メタデータ） (2021-09-27T05:19:27Z)
• Optimal noise estimation from syndrome statistics of quantum codes [0.7264378254137809]
  量子誤差補正は、ノイズが十分に弱いときに量子計算で発生する誤りを積極的に補正することができる。 伝統的に、この情報は、操作前にデバイスをベンチマークすることで得られる。 復号時に行われた測定のみから何が学べるかという問題に対処する。
  論文  参考訳（メタデータ） (2020-10-05T18:00:26Z)

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。