論文の概要: Machine Learning for Quantum Noise Reduction

• arxiv url: http://arxiv.org/abs/2509.16242v1
• Date: Wed, 17 Sep 2025 00:13:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.691734
• Title: Machine Learning for Quantum Noise Reduction
• Title（参考訳）: 量子ノイズ低減のための機械学習
• Authors: Karan Kendre,
• Abstract要約: そこで本研究では,雑音密度行列からクリーンな量子状態を直接再構成する機械学習手法を提案する。 畳み込みニューラルネットワーク(CNN)オートエンコーダアーキテクチャを用いて量子ノイズ低減を教師付き学習問題として定式化する。 以上の結果から,CNNに基づく密度行列再構成は,従来の量子誤り訂正に代わる,有望かつ資源効率のよい代替手段となることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Quantum noise fundamentally limits the utility of near-term quantum devices, making error mitigation essential for practical quantum computation. While traditional quantum error correction codes require substantial qubit overhead and complex syndrome decoding, we propose a machine learning approach that directly reconstructs clean quantum states from noisy density matrices without additional qubits. We formulate quantum noise reduction as a supervised learning problem using a convolutional neural network (CNN) autoencoder architecture with a novel fidelity-aware composite loss function. Our method is trained and evaluated on a comprehensive synthetic dataset of 10,000 density matrices derived from random 5-qubit quantum circuits, encompassing five noise types (depolarizing, amplitude damping, phase damping, bit-flip, and mixed noise) across four intensity levels (0.05-0.20). The CNN successfully reconstructs quantum states across all noise conditions, achieving an average fidelity improvement from 0.298 to 0.774 ({\Delta} = 0.476). Notably, the model demonstrates superior performance on complex mixed noise scenarios and higher noise intensities, with mixed noise showing the highest corrected fidelity (0.807) and improvement (0.567). The approach effectively preserves both diagonal elements (populations) and off-diagonal elements (quantum coherences), making it suitable for entanglement-dependent quantum algorithms. While phase damping presents fundamental information-theoretic limitations, our results suggest that CNN-based density matrix reconstruction offers a promising, resource-efficient alternative to traditional quantum error correction for NISQ-era devices. This data-driven approach could enable practical quantum advantage with fewer physical qubits than conventional error correction schemes require.
• Abstract（参考訳）: 量子ノイズは、短期的な量子デバイスの有用性を根本的に制限し、実際の量子計算にエラー軽減が不可欠である。 従来の量子誤り訂正符号には相当な量子ビットオーバーヘッドと複雑なシンドローム復号が必要となるが、我々は、付加的な量子ビットを伴わないノイズ密度行列からクリーンな量子状態を直接再構成する機械学習手法を提案する。 畳み込みニューラルネットワーク(CNN)オートエンコーダアーキテクチャを用いて量子ノイズ低減を教師付き学習問題として定式化する。 提案手法は, ランダムな5量子ビット量子回路から得られた1万の密度行列の総合的な合成データセットを用いて, 4つの強度レベル(0.05-0.20)にわたって, 5種類のノイズタイプ(脱分極, 振幅減衰, 位相減衰, ビットフリップ, 混合雑音)を学習・評価した。 CNNは全てのノイズ条件で量子状態の再構成に成功し、0.298から0.774({\Delta} = 0.476)まで平均忠実性の改善を達成した。 特に、複雑な混合雑音のシナリオと高い雑音強度において、高い補正忠実度(0.807)と0.567(0.567)を示す混合雑音が優れた性能を示す。 このアプローチは、対角要素(集団)と対角要素(量子コヒーレンス)の両方を効果的に保存し、絡み合い依存の量子アルゴリズムに適している。 位相減衰は基本的な情報理論上の制約を生じるが,我々はCNNベースの密度行列再構成が,NISQ時代のデバイスにおいて従来の量子エラー補正に代わる有望かつ資源効率のよい代替手段となることを示唆している。 このデータ駆動のアプローチは、従来の誤り訂正方式よりも少ない物理量子ビットで実用的な量子優位性を実現することができる。

関連論文リスト

• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Quantum-Classical Embedding via Ghost Gutzwiller Approximation for Enhanced Simulations of Correlated Electron Systems [3.5408300118027243]
  現在の量子ハードウェア上での相関物質のシミュレーションは、限られた量子資源のために難しいままである。 量子埋め込み法は計算複雑性を減らして有望な経路を提供する。 この研究はゴーストグッツウィラー近似に基づく量子古典的な埋め込みフレームワークを開発する。
  論文  参考訳（メタデータ） (2025-06-01T22:47:31Z)
• Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
  ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。 本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-24T02:51:34Z)
• Noise-Mitigated Variational Quantum Eigensolver with Pre-training and Zero-Noise Extrapolation [3.205475178870021]
  雑音環境下での分子基底状態エネルギーの正確な計算に有効なノイズ緩和型変分量子固有解器を開発した。 我々は、ゼロノイズ外挿を用いて量子ノイズを緩和し、ニューラルネットワークと組み合わせ、ノイズ適合機能の精度を向上させる。 その結果,本アルゴリズムは,主成分の変分量子固有解器よりも高い精度で,$mathcalO(10-2) sim MathcalO(10-1)$の範囲内でノイズ誤差を抑えることができることがわかった。
  論文  参考訳（メタデータ） (2025-01-03T05:34:36Z)
• Application of zero-noise extrapolation-based quantum error mitigation to a silicon spin qubit [0.08603957004874943]
  シリコンスピン量子ビットプラットフォーム上でのゼロノイズ外挿による誤差低減手法の実装について報告する。 この技術は超伝導量子ビット、トラップイオン量子ビット、フォトニックプロセッサなどの他のプラットフォームで実証されている。
  論文  参考訳（メタデータ） (2024-10-14T09:51:21Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Quantum time dynamics mediated by the Yang-Baxter equation and artificial neural networks [3.9079297720687536]
  本研究では,ニューラルネットワーク(ANN)とYang-Baxter方程式(YBE)を用いた量子エラーの緩和手法について検討する。 ノイズ低減のためのANNとYBEを組み合わせてノイズデータを生成する新しい手法を開発した。 このアプローチは量子シミュレーションにおけるノイズを効果的に低減し、結果の精度を高める。
  論文  参考訳（メタデータ） (2024-01-30T15:50:06Z)
• 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)
• 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)

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。