論文の概要: Variational Quantum Machine Learning with Quantum Error Detection

• arxiv url: http://arxiv.org/abs/2504.06775v1
• Date: Wed, 09 Apr 2025 10:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:05:56.003214
• Title: Variational Quantum Machine Learning with Quantum Error Detection
• Title（参考訳）: 量子エラー検出による変分量子機械学習
• Authors: Eromanga Adermann, Hajime Suzuki, Muhammad Usman,
• Abstract要約: 量子機械学習(QML)は、トレーニングの高速化、信頼性の向上、古典的な分野よりも優れた抽出といったメリットを約束する新興分野である。 量子ハードウェアの実装は、これらのシステムに固有のノイズのために困難であり、量子エラー訂正(QEC)コードを使用する必要がある。 現在のQMLの研究は主に理論的に行われており、しばしばノイズのない環境を仮定し、QECとQMLの統合についてはほとんど洞察を提供していない。
• 参考スコア（独自算出の注目度）: 0.6435156676256051
• License:
• Abstract: Quantum machine learning (QML) is an emerging field that promises advantages such as faster training, improved reliability and superior feature extraction over classical counterparts. However, its implementation on quantum hardware is challenging due to the noise inherent in these systems, necessitating the use of quantum error correction (QEC) codes. Current QML research remains primarily theoretical, often assuming noise-free environments and offering little insight into the integration of QEC with QML implementations. To address this, we investigate the performance of a simple, parity-classifying Variational Quantum Classifier (VQC) implemented with the [[4,2,2]] error-detecting stabiliser code in a simulated noisy environment, marking the first study into the implementation of a QML algorithm with a QEC code. We invoke ancilla qubits to logically encode rotation gates, and classically simulate the logically-encoded VQC under two simple noise models representing gate noise and environmental noise. We demonstrate that the stabiliser code improves the training accuracy at convergence compared to noisy implementations without QEC. However, we find that the effectiveness and reliability of error detection is contingent upon keeping the ancilla qubit error rates below a specific threshold, due to the propagation of ancilla errors to the physical qubits. Our results provide an important insight: for QML implementations with QEC codes that both require ancilla qubits for logical rotations and cannot fully correct errors propagated between ancilla and physical qubits, the maximum achievable accuracy of the QML model is limited. This highlights the need for additional error correction or mitigation strategies to support the practical implementation of QML algorithms with QEC on quantum devices.
• Abstract（参考訳）: 量子機械学習(QML)は、トレーニングの高速化、信頼性の向上、古典的な分野よりも優れた機能抽出といったメリットを約束する新興分野である。 しかし、量子ハードウェアの実装は、これらのシステムに固有のノイズのために困難であり、量子エラー訂正(QEC)符号を使用する必要がある。 現在のQML研究は主に理論的に行われており、しばしばノイズのない環境を仮定し、QECとQMLの実装の統合についてはほとんど洞察を提供していない。 そこで本研究では,[4,2,2]]の誤り検出型安定化器コードで実装された簡易なパリティ分類型変分量子分類器(VQC)の性能を実演した。 我々は、アンシラ量子ビットを論理的に回転ゲートを符号化し、論理的に符号化されたVQCを、ゲートノイズと環境ノイズを表す2つの単純なノイズモデルの下で古典的にシミュレートする。 安定化器符号は,QECなしのノイズ実装と比較して,収束時のトレーニング精度を向上することを示した。 しかし, 物理量子ビットへのアンシラ誤差の伝播により, 特定のしきい値以下に保たれることにより, 誤差検出の有効性と信頼性が低下することが判明した。 論理的回転のためにアシラ量子ビットが必要であり、また、アシラと物理量子ビットの間に伝播する誤りを完全に正すことができないQML符号を用いたQML実装では、QMLモデルの最大精度は制限される。 このことは、量子デバイス上でのQECによるQMLアルゴリズムの実践的な実装をサポートするために、追加のエラー修正や緩和戦略の必要性を強調している。

関連論文リスト

• Learning to Measure Quantum Neural Networks [10.617463958884528]
  本稿では,量子系の可観測性,特にエルミート行列学習性を実現する新しい手法を提案する。 本手法では,パラメータ化可観測関数を通常の量子回路パラメータとともに学習するエンド・ツー・エンドの微分可能学習フレームワークを特徴とする。 数値シミュレーションにより,提案手法は変動量子回路の観測値の同定が可能であり,その結果が得られた。
  論文  参考訳（メタデータ） (2025-01-10T02:28:19Z)
• NAC-QFL: Noise Aware Clustered Quantum Federated Learning [9.752814421987246]
  本稿では,雑音を考慮したクラスタリング型量子フェデレーション学習システムを提案する。 ノイズ緩和、量子デバイス容量の制限、高い量子通信コストに対処する。 分散QML性能を高め、通信コストを削減する。
  論文  参考訳（メタデータ） (2024-06-20T12:00:17Z)
• Benchmarking Quantum Generative Learning: A Study on Scalability and Noise Resilience using QUARK [0.3624329910445628]
  本稿では,量子生成学習アプリケーションのスケーラビリティと耐雑音性について検討する。 厳密なベンチマーク手法を用いて、進捗を追跡し、QMLアルゴリズムのスケーリングにおける課題を特定する。 その結果,QGANはQCBMほど次元の呪いの影響を受けず,QCBMはノイズに耐性があることがわかった。
  論文  参考訳（メタデータ） (2024-03-27T15:05:55Z)
• 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)
• Dynamical subset sampling of quantum error correcting protocols [0.0]
  本稿では, 耐故障性QECの例を例に, 動的サブセットサンプリングの機能を示す。 そこで本研究では,不整合パウリ雑音の強度$p = 10-3$の典型的な安定化器シミュレーションにおいて,論理的故障率に対して必要なサンプリング精度が得られることを示す。
  論文  参考訳（メタデータ） (2023-09-22T10:32:20Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• 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)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• Improved decoding of circuit noise and fragile boundaries of tailored surface codes [61.411482146110984]
  高速かつ高精度なデコーダを導入し、幅広い種類の量子誤り訂正符号で使用することができる。 我々のデコーダは、信仰マッチングと信念フィンドと呼ばれ、すべてのノイズ情報を活用し、QECの高精度なデモを解き放つ。 このデコーダは, 標準の正方形曲面符号に対して, 整形曲面符号において, より高いしきい値と低い量子ビットオーバーヘッドをもたらすことがわかった。
  論文  参考訳（メタデータ） (2022-03-09T18:48:54Z)
• Quantum Approximate Optimization Algorithm Based Maximum Likelihood Detection [80.28858481461418]
  量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。 量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
  論文  参考訳（メタデータ） (2021-07-11T10:56:24Z)
• 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。