論文の概要: Real-time adaptive quantum error correction by model-free multi-agent learning

• arxiv url: http://arxiv.org/abs/2509.03974v1
• Date: Thu, 04 Sep 2025 08:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 14:17:49.637488
• Title: Real-time adaptive quantum error correction by model-free multi-agent learning
• Title（参考訳）: モデルフリーマルチエージェント学習によるリアルタイム適応型量子誤差補正
• Authors: Manuel Guatto, Francesco Preti, Michael Schilling, Tommaso Calarco, Francisco Andrés Cárdenas-López, Felix Motzoi,
• Abstract要約: 本稿では,非定常誤差をゼロから修正する強化学習(Reinforcement Learning, RL)に基づく2段階のフレームワークを提案する。 我々は、MARLフレームワークがマルチレベル量子アーキテクチャに適した新しいQEC符号を発見できることを実証した。 第2のレベルでは、エラーの物理的基礎を変えるために、ハエの変動層をチューニングする効率的なアルゴリズムであるBRAVEを導入する。
• 参考スコア（独自算出の注目度）: 2.0288576393671787
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Can we build efficient Quantum Error Correction (QEC) that adapts on the fly to time-varying noise? In this work we say yes, and show how. We present a two level framework based on Reinforcement Learning (RL) that learns to correct even non-stationary errors from scratch. At the first level we take advantage of model-free Multi-Agent RL (MARL) to automatically discover full QEC cycle -- logical state encoding, stabilizer measurements, and recovery -- without any prior system knowledge, relying only on orthogonality conditions. Leveraging the stabilizer formalism, we demonstrate that our MARL framework can discover novel QEC codes tailored for multi-level quantum architectures. At the second level we introduce BRAVE (Bandit Retraining for Adaptive Variational Error correction), an efficient algorithm that tunes the variational layer on the fly to change the physical basis of the errors, adapting the QEC code to time-varying noise while minimizing computational overhead and reducing the number of retraining steps. By combining our MARL and BRAVE approaches and testing them on multi-level systems subjected to competing bit- and phase-flip errors over time across diverse scenarios, we observed an improvement in logical fidelity by more than an order of magnitude -- under time-dependent noise channels -- compared to conventional QEC schemes.
• Abstract（参考訳）: QEC(Quantum Error Correction)は、時変ノイズに適応できる。 この仕事の中で、私たちはイエスと言い、どのように示すかを示します。 本稿では,非定常誤差をゼロから修正する強化学習(Reinforcement Learning, RL)に基づく2段階のフレームワークを提案する。 最初のレベルでは、モデルフリーのMulti-Agent RL(MARL)を利用して、論理状態エンコーディング、安定化器の測定、リカバリといった完全なQECサイクルを自動的に発見します。 安定化器のフォーマリズムを活用することで、MARLフレームワークがマルチレベル量子アーキテクチャに適した新しいQEC符号を発見できることを実証する。 第2のレベルでは,BRAVE (Bandit Retraining for Adaptive Variational Error correct) を導入し,誤差の物理的基礎を変更するために,高速なアルゴリズムである。 MARLとBRAVEのアプローチを組み合わせて、様々なシナリオにまたがって競合するビット・フェーズ・フリップエラーを受けるマルチレベルシステム上でそれらをテストすることで、従来のQEC方式と比較して、時間依存ノイズチャネルの下での1桁以上の論理的忠実度の改善が観察された。

関連論文リスト

• Variational Quantum Machine Learning with Quantum Error Detection [0.6435156676256051]
  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。
  論文  参考訳（メタデータ） (2025-04-09T10:56:21Z)
• RoSTE: An Efficient Quantization-Aware Supervised Fine-Tuning Approach for Large Language Models [53.571195477043496]
  本稿では,RoSTE (Rotated Straight-Through-Estimator) というアルゴリズムを提案する。 RoSTEは、量子化を意識した微調整(QA-SFT)と適応的な回転戦略を組み合わせることで、アクティベーションアウトリーを減少させる。 その結果, 予測誤差は収束重みの量子化誤差と直接比例し, 最適化された回転構成により効果的に管理できることが判明した。
  論文  参考訳（メタデータ） (2025-02-13T06:44:33Z)
• CBQ: Cross-Block Quantization for Large Language Models [66.82132832702895]
  ポストトレーニング量子化(PTQ)は、超低コストで大規模言語モデル(LLM)を圧縮する上で重要な役割を果たしている。 LLMのためのクロスブロック再構成に基づくPTQ手法CBQを提案する。 CBQはリコンストラクションスキームを使用してクロスブロック依存関係を採用し、エラーの蓄積を最小限に抑えるために複数のブロックにまたがる長距離依存関係を確立する。
  論文  参考訳（メタデータ） (2023-12-13T07:56:27Z)
• Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
  我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。 評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T18:23:21Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Measurement based estimator scheme for continuous quantum error correction [52.77024349608834]
  正準離散量子誤差補正(DQEC)スキームは、安定器上の射影フォン・ノイマン測度を用いて誤差症候群を有限集合に識別する。 連続的量子誤差補正(CQEC)と呼ばれる連続的な測定に基づく量子エラー補正(QEC)は、DQECよりも高速に実行でき、資源効率も向上できる。 論理量子ビットの計測に基づく推定器 (MBE) を構築することにより, 物理量子ビットに発生する誤差をリアルタイムで正確に追跡できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T09:07:18Z)
• Error Bounds for Variational Quantum Time Evolution [4.38301148531795]
  変分量子時間進化は、量子系の時間力学を、短期的に互換性のある量子回路でシミュレートすることを可能にする。 この手法の変動特性のため、シミュレーションの精度は未定である。 変動量子時間進化を伴う状態シミュレーションの精度について大域的位相誤差境界を導出する。
  論文  参考訳（メタデータ） (2021-07-30T18:00:25Z)
• Improving readout in quantum simulations with repetition codes [0.0]
  繰り返し符号をスケーラブルなスキームとして使用し、量子化学や物理学に関心のある問題に対するより正確な解決策を提供する可能性を秘めている。 提案手法を複数のIBM量子デバイスで実証し, 簡易な理論ノイズモデルを用いて実験結果を検証した。
  論文  参考訳（メタデータ） (2021-05-27T18:01:05Z)
• Fundamental thresholds of realistic quantum error correction circuits from classical spin models [0.0]
  モンテカルロシミュレーションを用いて、関連する相互作用スピンモデルの位相図を解析する。 提案手法は,特定の復号化戦略とは無関係に,QEC符号と関連する読み出し回路の基本しきい値を評価するための手段を提供する。
  論文  参考訳（メタデータ） (2021-04-10T19:26:37Z)
• Learning-based quantum error mitigation [3.615369748154691]
  NISQ時代の量子コンピュータは、強力なエラー軽減技術を用いる必要がある。 本稿では,適切な補償戦略を学べる手法を提案する。 我々は、実際の量子ハードウェア(IBMデバイス)と、正確にエミュレートされた不完全な量子コンピュータの両方で、この技術のパワーを実証する。
  論文  参考訳（メタデータ） (2020-05-15T15:45:10Z)

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。