論文の概要: Machine Learning Framework for Efficient Prediction of Quantum Wasserstein Distance

• arxiv url: http://arxiv.org/abs/2511.12443v1
• Date: Sun, 16 Nov 2025 04:07:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.099434
• Title: Machine Learning Framework for Efficient Prediction of Quantum Wasserstein Distance
• Title（参考訳）: 量子ワッセルシュタイン距離の効率的な予測のための機械学習フレームワーク
• Authors: Changchun Feng, Xinyu Qiu, Laifa Tao, Lin Chen,
• Abstract要約: 量子W距離を効率的に予測する機械学習フレームワークを提案する。 私たちのアプローチでは、古典的なニューラルネットワークと従来の機械学習モデルの両方を採用しています。 その結果、W距離計算の従来の数値計算法に代わる、機械学習を実用的でスケーラブルな代替手段として確立した。
• 参考スコア（独自算出の注目度）: 4.181752542660445
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The quantum Wasserstein distance (W-distance) is a fundamental metric for quantifying the distinguishability of quantum operations, with critical applications in quantum error correction. However, computing the W-distance remains computationally challenging for multiqubit systems due to exponential scaling. We present a machine learning framework that efficiently predicts the quantum W-distance by extracting physically meaningful features from quantum state pairs, including Pauli measurements, statistical moments, quantum fidelity, and entanglement measures. Our approach employs both classical neural networks and traditional machine learning models. On three-qubit systems, the best-performing Random Forest model achieves near-perfect accuracy ($R^2 = 0.9999$) with mean absolute errors on the order of $10^{-5}$. We further validate the framework's practical utility by successfully verifying two fundamental theoretical propositions in quantum information theory: the bound on measurement probability differences between unitary operations and the $W_1$ gate error rate bound. The results establish machine learning as a viable and scalable alternative to traditional numerical methods for W-distance computation, with particular promise for real-time quantum circuit assessment and error correction protocol design in NISQ devices.
• Abstract（参考訳）: 量子ワッサーシュタイン距離 (quantum Wasserstein distance, W-distance) は、量子演算の区別可能性の定量化のための基本的な計量であり、量子誤差補正において重要な応用である。 しかしながら、W距離の計算は指数的スケーリングのため、マルチキュービットシステムでは計算的に困難である。 本稿では, パウリ測度, 統計モーメント, 量子忠実度, エンタングルメント測度など, 量子状態対から物理的に有意な特徴を抽出することにより, 量子W距離を効率的に予測する機械学習フレームワークを提案する。 私たちのアプローチでは、古典的なニューラルネットワークと従来の機械学習モデルの両方を採用しています。 3ビット系では、最も性能の良いランダムフォレストモデルは10^{-5}$の平均絶対誤差でほぼ完璧な精度(R^2 = 0.9999$)を達成する。 さらに、量子情報理論における2つの基本的な理論的命題、すなわちユニタリ演算間の測定確率差と$W_1$ゲート誤り率の有界性について検証することで、フレームワークの実用性をさらに検証する。 NISQデバイスにおけるリアルタイム量子回路評価と誤り訂正プロトコルの設計を特に約束し、機械学習を従来のW距離計算法に代わる実用的でスケーラブルな代替手段として確立した。

関連論文リスト

• Reinforcement Learning Control of Quantum Error Correction [108.70420561323692]
  量子コンピュータは、エラーから直接自己改善することを学び、決してコンピューティングを止めない。 この研究によって新しいパラダイムが実現された: 量子コンピュータは、そのエラーから直接自己改善を学び、決してコンピューティングを止めない。
  論文  参考訳（メタデータ） (2025-11-11T17:32:25Z)
• Asymptotic Error Bounds and Fractional-Bit Design for Fixed-Point Grover's Quantum Algorithm Emulation [2.812395851874055]
  我々は,Groverの量子探索アルゴリズムに着目し,固定点QCエミュレーションにおけるトランニケーション誤差の伝搬の解析を行った。 我々は、理想分布とエミュレートされた確率分布の間の距離を$ell$としてスケーリングすることで、全体的な誤差を定量化する。 特定誤差閾値を達成するために必要な最小の分数ビット精度を決定するための閉形式式を提供する。
  論文  参考訳（メタデータ） (2025-04-02T07:33:36Z)
• 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)
• QCircuitBench: A Large-Scale Dataset for Benchmarking Quantum Algorithm Design [63.02824918725805]
  量子コンピューティングは、量子アルゴリズムによる古典的コンピューティングよりも大幅にスピードアップされていることが認識されている。 QCircuitBenchは、量子アルゴリズムの設計と実装におけるAIの能力を評価するために設計された最初のベンチマークデータセットである。
  論文  参考訳（メタデータ） (2024-10-10T14:24:30Z)
• 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)
• Hardware-efficient variational quantum algorithm in trapped-ion quantum computer [0.0]
  本研究では, トラップイオン量子シミュレータ, HEA-TI に適したハードウェア効率の変動量子アルゴリズムアンサッツについて検討する。 我々は、全てのイオン間のプログラム可能な単一量子ビット回転と大域スピンスピン相互作用を活用し、従来のゲートベース手法における資源集約型2量子ビットゲートへの依存を減らす。
  論文  参考訳（メタデータ） (2024-07-03T14:02:20Z)
• 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)
• Error estimation in current noisy quantum computers [0.0]
  我々は、現在の(IBM)量子コンピュータにおけるエラーの主な原因を分析する。 我々は,任意の量子回路で期待される総誤差確率を容易にするための有用なツール (TED-qc) を提案する。
  論文  参考訳（メタデータ） (2023-02-14T07:19:06Z)
• Entanglement Forging with generative neural network models [0.0]
  ハイブリッド量子-古典的変分アンゼ」は、量子リソースオーバーヘッドを下げるために絡み合いを鍛えることができることを示す。 この方法は観測者の期待値の固定精度を達成するのに必要な測定値の数で効率的である。
  論文  参考訳（メタデータ） (2022-05-02T14:29:17Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)

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。