論文の概要: FIDDLE: Reinforcement Learning for Quantum Fidelity Enhancement

• arxiv url: http://arxiv.org/abs/2510.15833v1
• Date: Fri, 17 Oct 2025 17:15:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.725434
• Title: FIDDLE: Reinforcement Learning for Quantum Fidelity Enhancement
• Title（参考訳）: FIDDLE:量子忠実度向上のための強化学習
• Authors: Hoang M. Ngo, Tamer Kahveci, My T. Thai,
• Abstract要約: 量子コンピューティングは、量子最適化や量子機械学習といった分野に革命をもたらす可能性がある。 現在の量子デバイスはノイズによって妨げられ、信頼性が低下する。 ゲートベースの量子コンピューティングにおける鍵となる課題は、プロセスの忠実度によって測定される量子回路の信頼性を改善することである。
• 参考スコア（独自算出の注目度）: 11.335194148381257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum computing has the potential to revolutionize fields like quantum optimization and quantum machine learning. However, current quantum devices are hindered by noise, reducing their reliability. A key challenge in gate-based quantum computing is improving the reliability of quantum circuits, measured by process fidelity, during the transpilation process, particularly in the routing stage. In this paper, we address the Fidelity Maximization in Routing Stage (FMRS) problem by introducing FIDDLE, a novel learning framework comprising two modules: a Gaussian Process-based surrogate model to estimate process fidelity with limited training samples and a reinforcement learning module to optimize routing. Our approach is the first to directly maximize process fidelity, outperforming traditional methods that rely on indirect metrics such as circuit depth or gate count. We rigorously evaluate FIDDLE by comparing it with state-of-the-art fidelity estimation techniques and routing optimization methods. The results demonstrate that our proposed surrogate model is able to provide a better estimation on the process fidelity compared to existing learning techniques, and our end-to-end framework significantly improves the process fidelity of quantum circuits across various noise models.
• Abstract（参考訳）: 量子コンピューティングは、量子最適化や量子機械学習といった分野に革命をもたらす可能性がある。 しかし、現在の量子デバイスはノイズによって妨げられ、信頼性が低下する。 ゲートベースの量子コンピューティングにおける重要な課題は、特にルーティング段階において、プロセスの忠実度によって測定される量子回路の信頼性を改善することである。 本稿では,FIDDLEを導入したFIDDLE(Fidelity Maximization in Routing Stage)問題に対処する。これは2つのモジュールからなる新しい学習フレームワークである。ガウス過程に基づくサロゲートモデルで,限られたトレーニングサンプルを用いてプロセス忠実度を推定し,ルーティングを最適化するための強化学習モジュールである。 我々の手法はプロセスの忠実度を直接最大化し、回路深さやゲート数といった間接的な指標に依存する従来の手法より優れている。 我々は、FIDDLEを最先端の忠実度推定手法とルーティング最適化手法と比較することにより、厳密に評価する。 その結果,提案したサロゲートモデルにより,既存の学習手法と比較してプロセス忠実度が向上し,エンドツーエンドのフレームワークが様々なノイズモデルにまたがる量子回路のプロセス忠実度を大幅に改善できることが示唆された。

関連論文リスト

• Reinforcement Learning for Quantum Network Control with Application-Driven Objectives [53.03367590211247]
  動的プログラミングと強化学習は、制御戦略を最適化するための有望なツールを提供する。 非線形で微分可能な目的関数を直接最適化する新しいRLフレームワークを提案する。 我々の研究は、RLを持つ量子ネットワークにおける非線形目的関数最適化への第一歩であり、より高度なユースケースへの道を開く。
  論文  参考訳（メタデータ） (2025-09-12T18:41:10Z)
• TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
  TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• 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)
• 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)
• An Accurate and Efficient Analytic Model of Fidelity Under Depolarizing Noise Oriented to Large Scale Quantum System Design [1.80755313284025]
  本稿では,分極雑音下での量子回路の忠実度を予測するための包括的な理論的枠組みを提案する。 デバイスキャリブレーションデータに基づく効率的な忠実度推定アルゴリズムを提案する。 提案するアプローチは、量子ハードウェアをベンチマークするためのスケーラブルで実用的なツールを提供する。
  論文  参考訳（メタデータ） (2025-03-09T16:59:24Z)
• Scalable quantum dynamics compilation via quantum machine learning [7.31922231703204]
  変分量子コンパイル(VQC)法は、高精度を維持しつつゲートコストを低減するために変分最適化を用いる。 1次元におけるシステムサイズと精度の両面で、我々のアプローチが最先端のコンパイル結果を上回ることが示されている(1$D)。 VQCを2次元(2次元)ストリップに準1次元処理で拡張し、標準的なトロッタライズ法よりも大きな資源優位性を示す。
  論文  参考訳（メタデータ） (2024-09-24T18:00:00Z)
• Quantum Circuit Synthesis and Compilation Optimization: Overview and Prospects [59.07692103357675]
  本調査では,アルゴリズムレベルから量子ハードウェアにまたがる,統合設計および最適化スキームの実現可能性について検討する。 手動設計のコストを削減し、実行の精度と効率を高め、ハードウェア上での量子アルゴリズムの優位性の実装と検証を容易にする。
  論文  参考訳（メタデータ） (2024-06-30T15:50:10Z)
• Surrogate optimization of variational quantum circuits [1.0546736060336612]
  変分量子固有解法は、多くの応用に影響を及ぼすことのできる短期的アルゴリズムとして評価される。 収束性を改善するアルゴリズムや手法を見つけることは、VQEの短期ハードウェアの能力を加速するために重要である。
  論文  参考訳（メタデータ） (2024-04-03T18:00:00Z)
• 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)
• Near-Term Distributed Quantum Computation using Mean-Field Corrections and Auxiliary Qubits [77.04894470683776]
  本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。 我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
  論文  参考訳（メタデータ） (2023-09-11T18:00:00Z)

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。