論文の概要: Certification and Classification of Linear Quantum Error Mitigation Methods

• arxiv url: http://arxiv.org/abs/2510.26497v1
• Date: Thu, 30 Oct 2025 13:49:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.84198
• Title: Certification and Classification of Linear Quantum Error Mitigation Methods
• Title（参考訳）: 線形量子誤り除去法の認証と分類
• Authors: Zach Blunden-Codd, Mohamed Tamaazousti,
• Abstract要約: 論理ゲートの品質の継続的な改善を考慮に入れた定量的指標のセットを開発する。 次に,線形緩和法の特徴と要件を特徴付ける分類法を提案する。 緩和戦略は、特定の特徴化されたハードウェアのすべての関連エラーを軽減するために設計された緩和方法とコンパイル手順の集合である。
• 参考スコア（独自算出の注目度）: 5.306881553301635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Numerous mitigation methods exist for quantum noise suppression, making it challenging to identify the optimum approach for a specific application; especially as ongoing advances in hardware tuning and error correction are expected to reduce logical error rates. In order to facilitate the future-proof application-dependent comparison of mitigation methods, we develop a set of quantitative metrics that account for continual improvements in logical gate quality. We use these metrics to define qualitative criteria (e.g. scalability, efficiency, and robustness to characterised imperfections in the mitigation implementation), which we combine into application-specific certifications. We then provide a taxonomy of linear mitigation methods, characterising them by their features and requirements. Finally, we use our framework to produce and evaluate a mitigation strategy. A mitigation strategy is a collections of mitigation methods and compilation procedures designed to mitigate all relevant errors for a given piece of characterised hardware. Our example mitigation strategy is targeted at mitigating the outputs of hardware suffering from stochastic noise and/or rotational errors. We find the most significant determinant of efficient mitigation is accurate and precise characterisation.
• Abstract（参考訳）: 量子ノイズ抑制のための多くの緩和手法が存在するため、特定のアプリケーションに対して最適なアプローチを特定することは困難である。 そこで我々は, 論理ゲート品質の連続的な改善を考慮に入れた定量的指標のセットを開発した。 これらのメトリクスを使って質的な基準(スケーラビリティ、効率性、堅牢性など)を定義します。 次に,線形緩和法の特徴と要件を特徴付ける分類法を提案する。 最後に、我々のフレームワークを使って緩和戦略を作成し、評価する。 緩和戦略は、特定の特徴化されたハードウェアのすべての関連エラーを軽減するために設計された緩和方法とコンパイル手順の集合である。 本例では,確率的ノイズや回転誤差に苦しむハードウェアの出力を緩和する手法を提案する。 効率的な緩和の最も重要な決定要因は、正確かつ正確な特徴付けである。

関連論文リスト

• Physics-Inspired Extrapolation for efficient error mitigation and hardware certification [10.804056735359618]
  量子エラー軽減は、ノイズの多い中間スケールの量子時代にとって不可欠である。 ほとんどのQEM法は、偏りのない推定を達成するために指数的なサンプリングオーバーヘッドを発生させる。 本稿では,物理に着想を得た線形回路ランタイムプロトコルである外挿法を提案する。
  論文  参考訳（メタデータ） (2025-05-12T18:20:58Z)
• Improving LLM Reasoning through Scaling Inference Computation with Collaborative Verification [52.095460362197336]
  大規模言語モデル(LLM)は一貫性と正確な推論に苦しむ。 LLMは、主に正しいソリューションに基づいて訓練され、エラーを検出して学習する能力を減らす。 本稿では,CoT(Chain-of-Thought)とPoT(Program-of-Thought)を組み合わせた新しい協調手法を提案する。
  論文  参考訳（メタデータ） (2024-10-05T05:21:48Z)
• Robust design under uncertainty in quantum error mitigation [0.3774866290142281]
  本稿では,誤差緩和可観測物の不確かさと誤差を定量化するための一般偏差法を提案する。 次に、不確実性の下でのエラー軽減の最適化と堅牢性を示すために、我々のアプローチを拡張します。
  論文  参考訳（メタデータ） (2023-07-11T14:48:03Z)
• Error Mitigation Thresholds in Noisy Random Quantum Circuits [0.30723404270319693]
  ノイズが不完全である場合の確率的誤差キャンセルとテンソルネットワークの誤差軽減のロバスト性について検討する。 1次元の回路では、誤差軽減は障害の特徴づけにおける不完全性に対して$mathcalO(1)$の時間で失敗する。 本稿では, 量子計算の優位性, 測定誘起相転移の耐故障プローブ, および短期デバイスにおける量子アルゴリズムの検証について考察する。
  論文  参考訳（メタデータ） (2023-02-08T19:00:01Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• Learning Adaptive Loss for Robust Learning with Noisy Labels [59.06189240645958]
  ロバスト損失は、堅牢な学習問題を扱うための重要な戦略である。 本稿では,強靭なハイパーチューニングが可能なメタ学習手法を提案する。 4種類のSOTA損失関数は, 最小化, 一般利用, 有効性を示す。
  論文  参考訳（メタデータ） (2020-02-16T00:53:37Z)

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。