論文の概要: Multi-Layer Cycle Benchmarking for high-accuracy error characterization

• arxiv url: http://arxiv.org/abs/2412.09332v1
• Date: Thu, 12 Dec 2024 15:00:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 13:31:56.489945
• Title: Multi-Layer Cycle Benchmarking for high-accuracy error characterization
• Title（参考訳）: 高精度誤差評価のためのマルチ階層サイクルベンチマーク
• Authors: Alessio Calzona, Miha Papič, Pedro Figueroa-Romero, Adrian Auer,
• Abstract要約: 実効パウリ雑音モデルに関連する学習性を改善するために,MLCB(Multi-Layer Cycle Benchmarking)を導入する。 現実的なシナリオでは、MLCBは難解な自由度を最大75%まで低減し、スパースなパウリ・リンドブラッドノイズモデルの精度を向上させることができる。 以上の結果から,MLCBは精度の高いノイズ評価と量子計算の改善を目的とした,スケーラブルで実用的なツールとして注目されている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate noise characterization is essential for reliable quantum computation. Effective Pauli noise models have emerged as powerful tools, offering detailed description of the error processes with a manageable number of parameters, which guarantees the scalability of the characterization procedure. However, a fundamental limitation in the learnability of Pauli fidelities impedes full high-accuracy characterization of both general and effective Pauli noise, thereby restricting e.g., the performance of noise-aware error mitigation techniques. We introduce Multi-Layer Cycle Benchmarking (MLCB), an enhanced characterization protocol that improves the learnability associated with effective Pauli noise models by jointly analyzing multiple layers of Clifford gates. We show a simple experimental implementation and demonstrate that, in realistic scenarios, MLCB can reduce unlearnable noise degrees of freedom by up to $75\%$, improving the accuracy of sparse Pauli-Lindblad noise models and boosting the performance of error mitigation techniques like probabilistic error cancellation. Our results highlight MLCB as a scalable, practical tool for precise noise characterization and improved quantum computation.
• Abstract（参考訳）: 正確なノイズ特性は、信頼性の高い量子計算に不可欠である。 効果的なパウリノイズモデルは強力なツールとして登場し、管理可能なパラメータ数でエラープロセスの詳細な記述を提供し、キャラクタリゼーション手順のスケーラビリティを保証する。 しかし、パウリ忠実度の学習可能性の根本的な制限は、一般的なパウリノイズと有効なパウリノイズの完全な高精度な特徴を阻害し、ノイズ認識誤差軽減技術の性能であるegを制限する。 Clifford ゲートの複数の層を共同解析することにより,有効パウリ雑音モデルに付随する学習性を向上する多層サイクルベンチマークプロトコル (MLCB) を導入する。 現実的なシナリオでは,MLCB は自由度を最大 75 % まで低減し,スパースな Pauli-Lindblad ノイズモデルの精度を向上し,確率的誤差キャンセルのような誤差軽減技術の性能を向上させることができることを示す。 以上の結果から,MLCBは精度の高いノイズ評価と量子計算の改善を目的とした,スケーラブルで実用的なツールとして注目されている。

関連論文リスト

• Bayesian Quantum Amplitude Estimation [49.1574468325115]
  本稿では,量子振幅推定のための雑音対応ベイズアルゴリズムであるBAEを紹介する。 我々は,BAEがハイゼンベルク限界推定を達成し,他の手法と比較した。
  論文  参考訳（メタデータ） (2024-12-05T18:09:41Z)
• One-step Noisy Label Mitigation [86.57572253460125]
  ノイズラベルのトレーニング過程に対する有害な影響の軽減がますます重要になっている。 モデルに依存しないノイズラベル緩和パラダイムである1ステップアンチノイズ(OSA)を提案する。 我々はOSAの優位性を実証的に実証し、トレーニングの堅牢性の向上、タスク転送性の向上、デプロイメントの容易性、計算コストの削減を強調した。
  論文  参考訳（メタデータ） (2024-10-02T18:42:56Z)
• Noise-resilient and resource-efficient hybrid algorithm for robust quantum gap estimation [0.0]
  本稿では,多体エネルギースペクトルのギャップを推定するためのハイブリッド量子アルゴリズムを提案する。 我々は、量子資源の利用を最適化するエラー軽減戦略を採用している。 結果は、近未来のノイズ量子デバイス上で正確な量子シミュレーションを可能にする可能性を強調している。
  論文  参考訳（メタデータ） (2024-05-16T17:57:15Z)
• 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)
• Characterization of coherent errors in gate layers with robustness to Pauli noise [0.0]
  最先端のキャラクタリゼーションプロトコルは、しばしばコヒーレントノイズに焦点を当て、パウリやクリフォード・トワイリング技術を使用する際のコヒーレントエラーを取り除く。 我々は,不整合局所パウリ雑音モデルの拡張をコヒーレントエラーに動機付け,任意のゲート層に対する実用的な特徴付けプロトコルを提案する。
  論文  参考訳（メタデータ） (2023-07-17T18:00:02Z)
• Efficient learning of the structure and parameters of local Pauli noise channels [1.5229257192293197]
  n量子ビット上のパウリノイズチャネルを学習するための新しい手法を提案する。 我々は,Breslerによる画期的な成果を利用して,ギブズ測度を効率的に学習することで,その結果を達成した。 提案手法は,他の望ましい特徴を諦めることなく,サンプル数と後処理の両面で効率的である。
  論文  参考訳（メタデータ） (2023-07-06T12:42:49Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Error Mitigation Thresholds in Noisy Random Quantum Circuits [0.30723404270319693]
  ノイズが不完全である場合の確率的誤差キャンセルとテンソルネットワークの誤差軽減のロバスト性について検討する。 1次元の回路では、誤差軽減は障害の特徴づけにおける不完全性に対して$mathcalO(1)$の時間で失敗する。 本稿では, 量子計算の優位性, 測定誘起相転移の耐故障プローブ, および短期デバイスにおける量子アルゴリズムの検証について考察する。
  論文  参考訳（メタデータ） (2023-02-08T19:00:01Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• 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)
• Efficient and robust certification of genuine multipartite entanglement in noisy quantum error correction circuits [58.720142291102135]
  実効多部絡み(GME)認証のための条件付き目撃手法を導入する。 線形な二分割数における絡み合いの検出は, 多数の測定値によって線形にスケールし, GMEの認証に十分であることを示す。 本手法は, 距離3の位相的カラーコードとフラグベースの耐故障バージョンにおける安定化作用素の雑音可読化に適用する。
  論文  参考訳（メタデータ） (2020-10-06T18:00:07Z)

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。