論文の概要: Adaptive folding and noise filtering for robust quantum error mitigation

• arxiv url: http://arxiv.org/abs/2505.04463v1
• Date: Wed, 07 May 2025 14:35:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:36.110695
• Title: Adaptive folding and noise filtering for robust quantum error mitigation
• Title（参考訳）: 頑健な量子誤り軽減のための適応的畳み込みと雑音フィルタリング
• Authors: Kathrin F. Koenig, Finn Reinecke, Thomas Wellens,
• Abstract要約: 本稿では,ゼロノイズ外挿法(ZNE)を改良した雑音適応型折り畳み法を提案する。 本稿では,2つのフィルタリング手法を紹介する。一方は誤差強度の測定に依存し,他方は外挿過程を改善するために統計的フィルタリングを利用する。 これらの適応手法は, ノイズ変動に対する誤差緩和を効果的に強化し, 量子計算の精度と信頼性を向上することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coping with noise in quantum computation poses significant challenges due to its unpredictable nature and the complexities of accurate modeling. This paper presents noise-adaptive folding, a technique that enhances zero-noise extrapolation (ZNE) through the use of adaptive scaling factors based on circuit error measurements. Furthermore, we introduce two filtering methods: one relies on measuring error strength, while the other utilizes statistical filtering to improve the extrapolation process. Comparing our approach with standard ZNE reveals that adaptive scaling factors can be optimized using either a noise model or direct error strength measurements from inverted circuits. The integration of adaptive scaling with filtering techniques leads to notable improvements in expectation-value extrapolation over standard ZNE. Our findings demonstrate that these adaptive methods effectively strengthen error mitigation against noise fluctuations, thereby enhancing the precision and reliability of quantum computations.
• Abstract（参考訳）: 量子計算におけるノイズのコピングは、予測不可能な性質と正確なモデリングの複雑さのために大きな課題となる。 本稿では,回路誤差測定に基づく適応的スケーリング係数を用いることで,ゼロノイズ外挿(ZNE)を向上するノイズ適応型折り畳み法を提案する。 さらに,2つのフィルタリング手法を導入する。一方は誤差強度の測定に依存し,他方は外挿過程を改善するために統計的フィルタリングを利用する。 本手法を標準ZNEと比較すると,逆回路からのノイズモデルや直接誤差強度測定を用いて適応的スケーリング係数を最適化できることが分かる。 適応スケーリングとフィルタリング技術の統合により、標準ZNEよりも期待値外挿が顕著に改善される。 これらの適応手法は, ノイズ変動に対する誤差緩和を効果的に強化し, 量子計算の精度と信頼性を向上することを示した。

関連論文リスト

• Adaptive Conformal Inference by Betting [51.272991377903274]
  データ生成プロセスについて仮定することなく適応型共形推論の問題を考察する。 適応型共形推論のための既存のアプローチは、オンライン勾配勾配の変種を用いたピンボール損失の最適化に基づいている。 本稿では,パラメータフリーなオンライン凸最適化手法を利用した適応型共形推論手法を提案する。
  論文  参考訳（メタデータ） (2024-12-26T18:42:08Z)
• Taming Sensitive Weights : Noise Perturbation Fine-tuning for Robust LLM Quantization [5.718172547021947]
  量子化誤差に対する感度重みの影響を抑えるため,NPFT(Noth Perturbation Fine-tuning)を提案する。 NPFTは、外周重量を同定し、外周重量のランダムな摂動を、PEFT最適化によるモデルとして追加する。 OPTおよびLLaMAモデルに適用すると、NPFT法は均一および非一様量子化器の安定な性能向上を実現する。
  論文  参考訳（メタデータ） (2024-12-08T21:46:22Z)
• Improving Zero-noise Extrapolation for Quantum-gate Error Mitigation using a Noise-aware Folding Method [0.0]
  ゼロノイズ外挿(ZNE)を強化したノイズ対応折り畳み技術を提案する。 ハードウェアノイズモデルに基づいてキャリブレーションデータを用いて雑音を再分配する手法を提案する。 提案する折り畳み機構と組み合わさった雑音適応型コンパイル手法を用いることで,量子ゲート型計算のZNE精度を向上させる。
  論文  参考訳（メタデータ） (2024-01-23T05:36:40Z)
• Adaptive mitigation of time-varying quantum noise [0.1227734309612871]
  現在の量子コンピュータは、高いエラー率の非定常ノイズチャネルに悩まされている。 チャネル条件の変化に応じて量子ノイズを学習・緩和するベイズ推論に基づく適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-16T01:33:07Z)
• 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)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Robust Optimal Transport with Applications in Generative Modeling and Domain Adaptation [120.69747175899421]
  ワッサーシュタインのような最適輸送(OT)距離は、GANやドメイン適応のようないくつかの領域で使用されている。 本稿では,現代のディープラーニングアプリケーションに適用可能な,ロバストなOT最適化の計算効率のよい2つの形式を提案する。 提案手法では, ノイズの多いデータセット上で, 外部分布で劣化したGANモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-10-12T17:13:40Z)

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。