論文の概要: Physics-inspired Machine Learning for Quantum Error Mitigation
- arxiv url: http://arxiv.org/abs/2501.04558v1
- Date: Wed, 08 Jan 2025 15:07:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-09 14:55:38.988758
- Title: Physics-inspired Machine Learning for Quantum Error Mitigation
- Title（参考訳）: 量子エラー軽減のための物理インスパイアされた機械学習
- Authors: Xiao-Yue Xu, Xin Xue, Tianyu Chen, Chen Ding, Tian Li, Haoyi Zhou, He-Liang Huang, Wan-Su Bao,
- Abstract要約: 量子エラー除去のための機械学習のための物理に着想を得たニューラルネットワークであるNNAS(Neural Noise Accumulation Surrogate)を紹介する。
NNASは多層回路に量子ノイズ蓄積の構造的特徴を取り入れ、物理的解釈性を持つモデルを提供する。
QEM法が通常苦労する深い回路では、NNASはエラーを半分以上削減する。
- 参考スコア（独自算出の注目度）: 15.243176527806126
- License:
- Abstract: Noise is a major obstacle in current quantum computing, and Machine Learning for Quantum Error Mitigation (ML-QEM) promises to address this challenge, enhancing computational accuracy while reducing the sampling overheads of standard QEM methods. Yet, existing models lack physical interpretability and rely heavily on extensive datasets, hindering their scalability in large-scale quantum circuits. To tackle these issues, we introduce the Neural Noise Accumulation Surrogate (NNAS), a physics-inspired neural network for ML-QEM that incorporates the structural characteristics of quantum noise accumulation within multi-layer circuits, endowing the model with physical interpretability. Experimental results demonstrate that NNAS outperforms current methods across a spectrum of metrics, including error mitigation capability, quantum resource consumption, and training dataset size. Notably, for deeper circuits where QEM methods typically struggle, NNAS achieves a remarkable reduction of over half in errors. NNAS also demands substantially fewer training data, reducing dataset reliance by at least an order of magnitude, due to its ability to rapidly capture noise accumulation patterns across circuit layers. This work pioneers the integration of quantum process-derived structural characteristics into neural network architectures, broadly enhancing QEM's performance and applicability, and establishes an integrative paradigm that extends to various quantum-inspired neural network architectures.
- Abstract（参考訳）: ノイズは現在の量子コンピューティングの大きな障害であり、ML-QEM(Machine Learning for Quantum Error Mitigation)はこの課題に対処し、標準的なQEMメソッドのサンプリングオーバーヘッドを低減しつつ、計算精度を向上させることを約束している。
しかし、既存のモデルは物理的解釈可能性に欠け、広範囲なデータセットに大きく依存しており、大規模な量子回路におけるスケーラビリティを妨げている。
これらの問題に対処するために、ML-QEMのための物理に着想を得たニューラルネットワークであるNNAS(Neural Noise Accumulation Surrogate)を導入する。
実験の結果、NNASは、エラー軽減能力、量子リソース消費、トレーニングデータセットサイズなど、さまざまな指標で現在の手法よりも優れています。
特に、QEM法が通常苦労する深い回路では、NNASはエラーの半分以上を著しく削減する。
NNASは、回路層全体にわたるノイズ蓄積パターンを迅速にキャプチャできるため、トレーニングデータも大幅に少なく、データセット依存度を少なくとも1桁削減する。
この研究は、量子プロセスに由来する構造特性をニューラルネットワークアーキテクチャに統合し、QEMのパフォーマンスと適用性を大きく向上させ、様々な量子にインスパイアされたニューラルネットワークアーキテクチャに拡張する統合パラダイムを確立する。
関連論文リスト
- Noise-resistant adaptive Hamiltonian learning [30.632260870411177]
データ解析と量子状態シミュレーションのための適応型ハミルトン学習(AHL)モデルを提案し、低効率性などの問題を克服する。
AHLに基づく雑音耐性量子ニューラルネットワーク(RQNN)を開発した。
論文 参考訳（メタデータ） (2025-01-14T11:12:59Z) - Enhancing Quantum Variational Algorithms with Zero Noise Extrapolation
via Neural Networks [0.4779196219827508]
変分量子固有解法(VQE)は複雑な量子問題を解くための有望なアルゴリズムである。
量子デバイスにおけるノイズのユビキタスな存在は、しばしばVQE結果の正確さと信頼性を制限する。
本稿では,VQE計算におけるゼロノイズ外挿(ZNE)にニューラルネットワークを利用する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-03-10T15:35:41Z) - Flexible Error Mitigation of Quantum Processes with Data Augmentation
Empowered Neural Model [9.857921247636451]
誤り軽減のためのデータ拡張強化型ニューラルモデルを提案する。
我々のモデルは、特定のノイズタイプや測定設定に関する事前の知識を必要としない。
対象の量子プロセスのノイズ測定結果のみからノイズフリー統計を推定することができる。
論文 参考訳（メタデータ） (2023-11-03T05:52:14Z) - Resource Saving via Ensemble Techniques for Quantum Neural Networks [1.4606049539095878]
本稿では,複数の量子ニューラルネットワークのインスタンスに基づいて,単一の機械学習モデルを構築することを含むアンサンブル手法を提案する。
特に,データロード構成の異なるバッグングとAdaBoostの手法を実装し,その性能を実世界の分類と回帰の両方で評価する。
これらの手法により,比較的小さな量子デバイス上でも,大規模で強力なモデルの構築が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-03-20T17:19:45Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - 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) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - Neural Error Mitigation of Near-Term Quantum Simulations [0.0]
ニューラルネットワークを用いて地下状態と地下状態の観測器の推定を改善する新しい方法である$textitneural error mitigation$を紹介します。
その結果, ニューラルエラーの低減により, 数値計算と実験的VQE計算が向上し, 低エネルギー誤差が得られた。
提案手法は,複雑な量子シミュレーション問題を解くために,短期量子コンピュータの到達範囲を広げる有望な戦略である。
論文 参考訳（メタデータ） (2021-05-17T18:00:57Z) - 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)
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。