論文の概要: Q-Cluster: Quantum Error Mitigation Through Noise-Aware Unsupervised Learning

• arxiv url: http://arxiv.org/abs/2504.10801v1
• Date: Tue, 15 Apr 2025 01:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:09:22.538980
• Title: Q-Cluster: Quantum Error Mitigation Through Noise-Aware Unsupervised Learning
• Title（参考訳）: Q-Cluster:ノイズを考慮した教師なし学習による量子エラー軽減
• Authors: Hrushikesh Pramod Patil, Dror Baron, Huiyang Zhou,
• Abstract要約: QEM(Quantum error mitigation)は、量子コンピューティングにおけるノイズの影響を低減するために重要である。 本稿では、教師なし学習(クラスタリング)を用いて測定ビットストリング分布を再構成する新しいQEM手法Q-Clusterを提案する。 提案したQ-Cluster方式は,出力分布の最小値よりも平均1.46倍の忠実度を向上することを示す。
• 参考スコア（独自算出の注目度）: 4.984018914962973
• License:
• Abstract: Quantum error mitigation (QEM) is critical in reducing the impact of noise in the pre-fault-tolerant era, and is expected to complement error correction in fault-tolerant quantum computing (FTQC). In this paper, we propose a novel QEM approach, Q-Cluster, that uses unsupervised learning (clustering) to reshape the measured bit-string distribution. Our approach starts with a simplified bit-flip noise model. It first performs clustering on noisy measurement results, i.e., bit-strings, based on the Hamming distance. The centroid of each cluster is calculated using a qubit-wise majority vote. Next, the noisy distribution is adjusted with the clustering outcomes and the bit-flip error rates using Bayesian inference. Our simulation results show that Q-Cluster can mitigate high noise rates (up to 40% per qubit) with the simple bit-flip noise model. However, real quantum computers do not fit such a simple noise model. To address the problem, we (a) apply Pauli twirling to tailor the complex noise channels to Pauli errors, and (b) employ a machine learning model, ExtraTrees regressor, to estimate an effective bit-flip error rate using a feature vector consisting of machine calibration data (gate & measurement error rates), circuit features (number of qubits, numbers of different types of gates, etc.) and the shape of the noisy distribution (entropy). Our experimental results show that our proposed Q-Cluster scheme improves the fidelity by a factor of 1.46x, on average, compared to the unmitigated output distribution, for a set of low-entropy benchmarks on five different IBM quantum machines. Our approach outperforms the state-of-art QEM approaches M3 [24], Hammer [35], and QBEEP [33] by 1.29x, 1.47x, and 2.65x, respectively.
• Abstract（参考訳）: QEM(Quantum error mitigation)は、フォールトトレラント時代のノイズの影響を低減するために重要であり、フォールトトレラント量子コンピューティング(FTQC)における誤り訂正を補完することが期待されている。 本稿では、教師なし学習(クラスタリング)を用いて測定ビット列分布を再構成する新しいQEM手法Q-Clusterを提案する。 我々のアプローチは、単純化されたビットフリップノイズモデルから始まる。 まず、ハミング距離に基づいてノイズ測定結果、すなわちビットストリングに基づいてクラスタリングを行う。 各クラスタのセントロイドは、クォービット単位の多数決によって計算される。 次に、ベイズ推定を用いたクラスタリング結果とビットフリップ誤差率で雑音分布を調整する。 シミュレーションの結果,Q-Clusterは単純なビットフリップ雑音モデルで高雑音率(最大40%)を緩和できることがわかった。 しかし、実際の量子コンピュータはそのような単純なノイズモデルには適合しない。 この問題に対処するため、私たちは a) Pauli twirling を適用して、複雑なノイズチャネルを Pauli エラーに調整し、 b) 機械学習モデルであるExtraTrees Regressorを用いて、機械キャリブレーションデータ(ゲート・アンド・計測誤差率)、回路特徴(キュービット数、異なるゲート数など)、ノイズ分布(エントロピー)の形状からなる特徴ベクトルを用いて、有効なビットフリップ誤差率を推定する。 実験の結果,提案手法は,IBMの5種類の量子マシン上での低エントロピーベンチマークに対して,出力分布の最小値よりも平均1.46倍の忠実度を向上することがわかった。 本手法は,M3[24],Hammer[35],QBEEP[33]をそれぞれ1.29x,1.47x,2.65xで,最先端のQEMアプローチよりも優れている。

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)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Noise Robustness of Quantum Relaxation for Combinatorial Optimization [2.768724463950609]
  QRAOは、問題を解くのに必要なキュービットの数を減少させる緩和アルゴリズムである。 ノイズは未知のQRAOの2成分溶液の品質に影響を及ぼす。 脱分極雑音下でのQRAOのロバスト性の背後にある確実なメカニズムについて論じる。
  論文  参考訳（メタデータ） (2024-03-08T08:41:55Z)
• 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)
• QuEst: Graph Transformer for Quantum Circuit Reliability Estimation [26.963991539714236]
  TorchQuantumと呼ばれるPythonライブラリは、機械学習タスクのためにPQCを構築し、シミュレートし、訓練することができる。 本稿では,回路の忠実度に対するノイズの影響を予測するために,グラフトランスフォーマモデルを提案する。 回路シミュレータと比較すると、予測器は忠実度を推定するための200倍以上のスピードアップを持つ。
  論文  参考訳（メタデータ） (2022-10-30T02:35:31Z)
• 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)
• QuantumNAT: Quantum Noise-Aware Training with Noise Injection, Quantization and Normalization [19.822514659801616]
  量子回路(PQC)は、短期量子ハードウェアにおける量子優位性を約束している。 しかし、大きな量子ノイズ(エラー)のため、PQCモデルの性能は実際の量子デバイスで著しく低下する。 本稿では,PQC固有のフレームワークであるQuantumNATを提案する。
  論文  参考訳（メタデータ） (2021-10-21T17:59:19Z)
• Modeling and mitigation of cross-talk effects in readout noise with applications to the Quantum Approximate Optimization Algorithm [0.0]
  雑音の緩和は、上界を導出する誤差まで行うことができる。 ノイズモデルとエラー軽減スキームの両方をテストするためにIBMのデバイスを使用した15(23)量子ビットの実験。 浅層深度ランダム回路によって生成されるHaar-random量子状態と状態に対して、同様の効果が期待できることを示す。
  論文  参考訳（メタデータ） (2021-01-07T02:19:58Z)
• Sampling Overhead Analysis of Quantum Error Mitigation: Uncoded vs. Coded Systems [69.33243249411113]
  パウリの誤差は、多数の現実的な量子チャネルの中で最も低いサンプリングオーバーヘッドをもたらすことを示す。 我々はQEMと量子チャネル符号化を併用する手法を考案し、純粋なQEMと比較してサンプリングオーバーヘッドの低減を解析する。
  論文  参考訳（メタデータ） (2020-12-15T15:51:27Z)
• 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)
• A deep learning model for noise prediction on near-term quantum devices [137.6408511310322]
  我々は、量子デバイスからの実験データに基づいて畳み込みニューラルネットワークをトレーニングし、ハードウェア固有のノイズモデルを学ぶ。 コンパイラはトレーニングされたネットワークをノイズ予測器として使用し、期待されるノイズを最小限に抑えるために回路にゲートのシーケンスを挿入する。
  論文  参考訳（メタデータ） (2020-05-21T17:47:29Z)

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。