論文の概要: How much can we learn from quantum random circuit sampling?

• arxiv url: http://arxiv.org/abs/2510.09919v1
• Date: Fri, 10 Oct 2025 23:35:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.693255
• Title: How much can we learn from quantum random circuit sampling?
• Title（参考訳）: 量子ランダム回路サンプリングからどのくらい学べるか?
• Authors: Tudor Manole, Daniel K. Mark, Wenjie Gong, Bingtian Ye, Yury Polyanskiy, Soonwon Choi,
• Abstract要約: ランダム回路サンプリング(RCS)に基づく新しいベンチマーク手法を提案する。 我々は,量子回路の古典的に難解なシミュレーションを伴わずに,この課題を実現する技術を開発した。 この結果から,現在の量子コンピュータと将来の量子コンピュータの実用的なベンチマークプロトコルが確立された。
• 参考スコア（独自算出の注目度）: 15.583163083958008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Benchmarking quantum devices is a foundational task for the sustained development of quantum technologies. However, accurate in situ characterization of large-scale quantum devices remains a formidable challenge: such systems experience many different sources of errors, and cannot be simulated on classical computers. Here, we introduce new benchmarking methods based on random circuit sampling (RCS), that substantially extend the scope of conventional approaches. Unlike existing benchmarks that report only a single quantity--the circuit fidelity--our framework extracts rich diagnostic information, including spatiotemporal error profiles, correlated and contextual errors, and biased readout errors, without requiring any modifications of the experiment. Furthermore, we develop techniques that achieve this task without classically intractable simulations of the quantum circuit, by leveraging side information, in the form of bitstring samples obtained from reference quantum devices. Our approach is based on advanced high-dimensional statistical modeling of RCS data. We sharply characterize the information-theoretic limits of error estimation, deriving matching upper and lower bounds on the sample complexity across all regimes of side information. We identify surprising phase transitions in learnability as the amount of side information varies. We demonstrate our methods using publicly available RCS data from a state-of-the-art superconducting processor, obtaining in situ characterizations that are qualitatively consistent yet quantitatively distinct from component-level calibrations. Our results establish both practical benchmarking protocols for current and future quantum computers and fundamental information-theoretic limits on how much can be learned from RCS data.
• Abstract（参考訳）: 量子デバイスのベンチマークは、量子技術の継続的な発展のための基礎的なタスクである。 しかし、大規模な量子デバイスを正確に評価することは深刻な課題であり、これらのシステムは多くの異なるエラーの原因を経験し、古典的なコンピュータではシミュレートできない。 本稿では、従来の手法の範囲を大幅に広げるランダム回路サンプリング(RCS)に基づく新しいベンチマーク手法を提案する。 回路の忠実度を報告している既存のベンチマークとは違って、我々のフレームワークは、時空間誤差プロファイル、相関的および文脈的エラー、バイアス付き読み出しエラーを含む豊富な診断情報を、実験の修正を必要とせずに抽出する。 さらに,従来の量子回路シミュレーションを使わずに,参照量子デバイスから得られたビットストリングサンプルの形でサイド情報を活用する手法を開発した。 我々のアプローチは、RCSデータの高度な高次元統計的モデリングに基づいている。 我々は, 誤り推定の情報理論的限界を強く特徴付け, サンプルの複雑さの上限値と下限値との整合性を求める。 副次情報の量が異なるため,学習容易性の驚くべき相転移を同定する。 本研究では, 現状の超伝導プロセッサから利用可能なRCSデータを用いて, 定性的に一貫性があるが, 成分レベルのキャリブレーションとは定量的に異なる特性のin situ特性を求める。 この結果は,現在の量子コンピュータと将来の量子コンピュータの実用的なベンチマークプロトコルと,RCSデータから学べる量に関する基本的な情報理論的限界の両方を確立した。

関連論文リスト

• Enhancing Network Anomaly Detection with Quantum GANs and Successive Data Injection for Multivariate Time Series [6.576759206183036]
  本稿では,異常検出のためのQGANアーキテクチャを提案する。 データ再アップロードとSuDaIを統合することで、アプローチは古典的なデータを量子状態に効率的にマッピングする。 QGANは、異常検出において高いリコールとF1スコアとともに高い精度を達成し、古典モデルと比較して低いMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-16T18:47:42Z)
• Near-Term Fermionic Simulation with Subspace Noise Tailored Quantum Error Mitigation [0.0]
  本稿では,SNT(Subspace Noise Tailoring)アルゴリズムを導入し,Symmetry Verification(SV)とPEC(Probabilistic Error Cancellation)QEM(Probabilistic Error Cancellation)の低バイアスを効率よく組み合わせた。 様々な局所フェルミオン-量子ビット符号化を用いて,スピン-1/2フェルミ-ハバードモデル(FHM)の時間発展をシミュレーションし,本手法の性能について検討した。
  論文  参考訳（メタデータ） (2025-03-14T18:20:54Z)
• Machine Learning Methods as Robust Quantum Noise Estimators [0.0]
  従来の機械学習モデルでは、回路構成を分析して量子ノイズを推定する方法を示す。 提案手法は,回路のロバスト性を低い誤差率で正確に予測できることを示す。 これらの技術は、量子コードの品質とセキュリティを評価するために使用することができ、より信頼性の高い量子製品に繋がる。
  論文  参考訳（メタデータ） (2024-09-23T09:00:12Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• On the use of calibration data in error-aware compilation techniques for NISQ devices [0.0]
  いくつかのコンパイル技術と量子プロセッサを用いて、キャリブレーションデータの異なる使用法が回路の忠実度に与える影響について検討する。 本実験は,ノイズ認識手法の効果とキャリブレーションデータの利用に関する貴重な知見を得たものである。
  論文  参考訳（メタデータ） (2024-07-31T09:20:31Z)
• Benchmarking quantum gates and circuits [1.6163129903911515]
  本稿では,Randomized Benchmarking, Quantum Process Tomography, Gate Set Tomography, Process Fidelity Estimation, Direct Fidelity Estimation, Cross-Entropy Benchmarkingなど,さまざまなベンチマーク手法についてレビューする。 本稿では,実験実行回数を最小限に抑え,SPAMエラーに対するレジリエンスを示し,一貫性と不整合性の両方を効果的に特徴付ける新しいプロトコルである決定論的ベンチマーク(DB)を紹介する。
  論文  参考訳（メタデータ） (2024-07-13T16:36:02Z)
• 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)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)

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。