論文の概要: Probabilistic Graybox Characterization of Quantum Devices with Bayesian Neural Networks

• arxiv url: http://arxiv.org/abs/2509.24232v1
• Date: Mon, 29 Sep 2025 03:16:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.71949
• Title: Probabilistic Graybox Characterization of Quantum Devices with Bayesian Neural Networks
• Title（参考訳）: ベイズニューラルネットワークを用いた量子デバイスの確率的グレイボックス解析
• Authors: Poramet Pathumsoot, Michal Hajdušek, Rodney Van Meter,
• Abstract要約: Grayboxのキャラクタリゼーション手法は暗黙のノイズモデルを可能にし、プラットフォームに依存しないが、不確実性に欠ける。 本研究では,確率論的機械学習,特にニューラルニューラルネットワークを用いた確率的グレイボックス特徴付けモデルを開発し,2値測定結果を直接推論に利用する。 提案した確率的グレイボックスモデルでは,観測データの分布を最大1.9倍に向上する。
• 参考スコア（独自算出の注目度）: 0.15293427903448018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While the Graybox characterization method allows for implicit noise models and is platform-agnostic, the method lacks uncertainty quantification. Characterization of quantum devices is a crucial process that enables researchers to gain insight from experimental settings. Graybox characterization combines known system dynamics with unknown transformations, where the latter is modeled using machine learning. Prediction uncertainty helps researchers make informed decisions. It allows valuable insights from the devices without overconfidence. We therefore develop a probabilistic Graybox characterization model using probabilistic machine learning, specifically Bayesian Neural Networks, and utilize binary measurement outcomes directly for inference. With stochastic noise in a quantum device, we analyze statistical properties of the measurement data. Our results show that the model's prediction performance solely depends on its ability to capture the expected value of the true expectation value. Our proposed probabilistic Graybox model outperforms the original model by up to 1.9 times in capturing the distribution of observed data. We expect that our results will serve as an additional tool for characterizing quantum devices with uncertainty estimation, as they provide a flexible choice that can be utilized even without extensive prior knowledge of the noise model of the devices.
• Abstract（参考訳）: Grayboxのキャラクタリゼーション手法は暗黙のノイズモデルを可能にし、プラットフォームに依存しないが、不確かさの定量化には欠ける。 量子デバイスのキャラクタリゼーションは、研究者が実験的な設定から洞察を得るための重要なプロセスである。 Grayboxの特徴付けは、既知のシステムダイナミクスと未知の変換を組み合わせたもので、後者は機械学習を用いてモデル化されている。 予測の不確実性は、研究者が情報的な決定を下すのに役立つ。 自信を欠くことなくデバイスから貴重な洞察を得られる。 そこで我々は,確率論的機械学習,特にベイズニューラルネットワークを用いた確率的グレイボックス特性モデルを開発し,2値測定結果を直接推論に利用する。 量子デバイスにおける確率ノイズを用いて測定データの統計的特性を解析する。 以上の結果から,予測性能は,期待値の期待値を取得する能力にのみ依存していることが示唆された。 提案した確率的グレイボックスモデルでは,観測データの分布を最大1.9倍に向上する。 この結果が、不確実性推定を伴う量子デバイスを特徴付けるための追加ツールとして役立ち、デバイスのノイズモデルに関する事前知識がなくても利用できるフレキシブルな選択を提供することを期待している。

関連論文リスト

• Graybox characterization and calibration with finite-shot estimation on superconducting-qubit experiments [0.44998333629984877]
  我々は、既知の力学を記述する明示的な(ホワイトボックス)モデルと、深いニューラルネットワークの形で雑音のダイナミクスを記述する暗黙的な(ブラックボックス)モデルを記述する。 選択したパルスのセットをデバイスに送り、パウリ期待値を測定することで、Grayboxアプローチは暗黙のモデルをトレーニングし、ゲートを最適化することができる。 デバイス上の最適化ゲートと2種類の損失関数を持つクロステスト予測モデルをベンチマークする。
  論文  参考訳（メタデータ） (2025-08-18T11:04:48Z)
• Interpretable representation learning of quantum data enabled by probabilistic variational autoencoders [0.5999777817331317]
  変分オートエンコーダ(VAE)は、いくつかの入力データの隠れた物理的特徴を抽出する際の約束を示す。 VAEは、量子データを扱う際に固有のランダム性や複雑な相関を考慮しなければならない。 ここでは,2つの重要な修正により,VAEが物理的に意味のある潜在表現を学習できることを実証する。
  論文  参考訳（メタデータ） (2025-06-13T17:39:41Z)
• Uncertainty Quantification for Transformer Models for Dark-Pattern Detection [0.21427777919040417]
  本研究は、ユーザ決定を操作し、自律性と同意を損なう、暗パターン検出、偽造設計の選択に焦点を当てる。 本稿では, 変圧器を用いた事前学習モデルを用いた不確実性定量化により, 最終分類ヘッドに実装した微分微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-12-06T18:31:51Z)
• Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
  Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。 本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-02-08T22:05:45Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning [47.991114317813555]
  量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。 本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
  論文  参考訳（メタデータ） (2023-04-06T22:05:21Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)

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。