論文の概要: Pattern-Dependent Performance of the Bernstein-Vazirani Algorithm
- arxiv url: http://arxiv.org/abs/2511.14821v1
- Date: Tue, 18 Nov 2025 15:36:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-20 15:51:28.479771
- Title: Pattern-Dependent Performance of the Bernstein-Vazirani Algorithm
- Title（参考訳）: Bernstein-Vaziraniアルゴリズムのパターン依存性能
- Authors: Muhammad AbuGhanem,
- Abstract要約: 本稿では,超伝導量子プロセッサ上での11種類の試験パターンにまたがるベルンシュタイン・ヴァジラニアルゴリズムのベンチマーク研究について述べる。
その結果、平均成功率は100.0%(理想シミュレーション)、85.2%(ノイズエミュレーション)、26.4%(リアルハードウェア)であることが判明した。
量子状態トモグラフィーは、パターン密度と状態忠実度劣化のほぼ完全な相関を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Quantum computers promise to redefine the boundaries of computational science, offering the potential for exponential speedups in solving complex problems across chemistry, optimization, and materials science. Yet, their practical utility remains constrained by unpredictable performance degradation under real-world noise conditions. A key question is how problem structure itself influences algorithmic resilience. In this work, we present a comprehensive, hardware-aware benchmarking study of the Bernstein-Vazirani algorithm across 11 diverse test patterns on multiple superconducting quantum processors, revealing that algorithmic performance is exquisitely sensitive to problem structure. Our results reveal average success rates of 100.0\% (ideal simulation), 85.2\% (noisy emulation), and 26.4\% (real hardware), representing a dramatic 58.8\% average performance gap between noisy emulation and real hardware execution. With quantum state tomography confirming corresponding average state fidelities of 0.993, 0.760, and a 0.234 fidelity drop to hardware. Performance degrades dramatically from 75.7\% success for sparse patterns to complete failure for high-density 10-qubit patterns. Most strikingly, quantum state tomography reveals a near-perfect correlation between pattern density and state fidelity degradation, providing the fundamental explanation for observed performance patterns. The catastrophic fidelity collapse observed in real hardware measurements -- dropping to 0.111 compared to the predicted 0.763 -- underscores severe limitations in current noise models for capturing structure-dependent error mechanisms. Our work establishes pattern-dependent performance as a critical consideration for quantum algorithm deployment and provides a quantitative framework for predicting algorithm feasibility in practical applications.
- Abstract（参考訳）: 量子コンピュータは計算科学の境界を再定義し、化学、最適化、材料科学にまたがる複雑な問題を解く際の指数的スピードアップの可能性を提供する。
しかし,実際の騒音条件下での予測不可能な性能劣化により,実用性は依然として制限されている。
重要な疑問は、問題構造自体がアルゴリズムのレジリエンスにどのように影響するかである。
本研究では,Bernstein-Vaziraniアルゴリズムを,超伝導量子プロセッサ上での11種類のテストパターンにまたがる包括的,ハードウェア対応のベンチマークを行い,アルゴリズム性能が問題構造に極めて敏感であることを明らかにする。
その結果,100.0\%(理想的シミュレーション),85.2\%(ノイズエミュレーション),26.4\%(実ハードウェア)の平均成功率は,ノイズエミュレーションと実ハードウェア実行の58.8\%という劇的なパフォーマンスギャップを示している。
量子状態トモグラフィーにより、対応する平均状態忠実度は0.993、0.760、ハードウェアへの0.234の減少が確認された。
性能は、スパースパターンの75.7\%の成功から、高密度の10ビットパターンの失敗まで劇的に低下する。
最も顕著な点として、量子状態トモグラフィーは、パターン密度と状態忠実度劣化のほぼ完全な相関を示し、観察された性能パターンの基本的な説明を提供する。
実際のハードウェア測定で観測された破滅的なフィデリティ崩壊(予測0.763と比べて0.111に低下)は、構造に依存したエラーメカニズムをキャプチャする現在のノイズモデルに厳しい制限を課している。
本研究は、量子アルゴリズムの展開において重要な考慮事項として、パターン依存性能を確立し、実用的な応用におけるアルゴリズムの実現可能性を予測するための定量的フレームワークを提供する。
関連論文リスト
- Data-Efficient Quantum Noise Modeling via Machine Learning [0.3279176777295314]
超伝導量子プロセッサのための正確なパラメータ化ノイズモデルを構築するための,データ効率のよい機械学習ベースのフレームワークを提案する。
本研究では,小規模回路のみに学習したモデルにより,大規模回路の動作を正確に予測できることを示す。
論文 参考訳（メタデータ） (2025-09-16T10:30:28Z) - Noise Hypernetworks: Amortizing Test-Time Compute in Diffusion Models [57.49136894315871]
テストタイムスケーリングの新しいパラダイムは、推論モデルと生成視覚モデルにおいて驚くべきブレークスルーをもたらした。
本稿では,テスト時間スケーリングの知識をモデルに組み込むことの課題に対する1つの解決策を提案する。
拡散モデルにおいて、初期入力ノイズを変調するノイズハイパーネットワークにより、報酬誘導試験時間雑音の最適化を行う。
論文 参考訳（メタデータ） (2025-08-13T17:33:37Z) - Designing lattice proteins with variational quantum algorithms [0.0]
逆問題、タンパク質設計では、特定の標的構造に折り畳まれた配列を求める。
ここでは、今日のノイズ量子デバイスにおけるこれらの2つのステップのうちの1つとして、変分量子アルゴリズムの有用性について検討する。
論文 参考訳（メタデータ） (2025-08-04T12:55:01Z) - Computational Performance Bounds Prediction in Quantum Computing with Unstable Noise [6.6884244790434195]
量子デバイスにおけるノイズは、この優位性を実現する上で重要な障壁となる。
次世代の量子中心型スーパーコンピュータは本質的に、効率的で正確なノイズ特性を必要とする。
計算性能境界を予測するために,QuBoundというデータ駆動型ワークフローを提案する。
論文 参考訳（メタデータ） (2025-07-22T22:00:09Z) - Handling Label Noise via Instance-Level Difficulty Modeling and Dynamic Optimization [40.87754131017707]
ディープニューラルネットワークは、ノイズの多い監視の下で一般化性能が低下する。
既存のメソッドでは、クリーンなサブセットの分離やノイズのあるラベルの修正に重点を置いている。
本稿では,インスタンスレベルの最適化が可能な新しい2段階雑音学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-01T19:12:58Z) - Quantum noise modeling through Reinforcement Learning [38.47830254923108]
本稿では,量子チップに影響を及ぼすノイズを特徴付ける機械学習手法を導入し,シミュレーション中にエミュレートする。
我々のアルゴリズムは強化学習を活用し、様々なノイズモデルを再現する際の柔軟性を向上させる。
実超伝導量子ビット上でのシミュレーションおよび試験によりRLエージェントの有効性が検証された。
論文 参考訳（メタデータ） (2024-08-02T18:05:21Z) - RobustMQ: Benchmarking Robustness of Quantized Models [54.15661421492865]
量子化は、限られたリソースを持つデバイスにディープニューラルネットワーク(DNN)をデプロイする上で不可欠なテクニックである。
我々は、ImageNet上の様々なノイズ(障害攻撃、自然破壊、系統的なノイズ)に対する量子化モデルのロバスト性について、徹底的に評価した。
我々の研究は、モデルとその実世界のシナリオにおける展開の堅牢な定量化を推し進めることに貢献している。
論文 参考訳（メタデータ） (2023-08-04T14:37:12Z) - Robustness of Variational Quantum Algorithms against stochastic parameter perturbation [0.0]
変分量子アルゴリズムは、現在の量子デバイスの制約内で実行されるように調整されている。
変動量子アルゴリズムに固有の現実的なゲート誤差を反映したノイズモデルを考える。
ゲートエラーが状態のコヒーレンスに著しく小さいことを示し、性能を損なうことなく実行時間を短縮できることを示す。
論文 参考訳（メタデータ） (2022-12-30T20:36:29Z) - Error-aware Quantization through Noise Tempering [43.049102196902844]
量子化対応トレーニング(QAT)は、量子化エラーをシミュレートしながら、エンドタスクに関するモデルパラメータを最適化する。
本研究では,指数関数的に減衰する量子化・エラー認識ノイズと,学習可能なタスク損失勾配のスケールを組み込んで量子化演算子の効果を近似する。
本手法は, 従来の手法を0.5-1.2%絶対値で上回り, 均一な(非混合精度)量子化のための最先端トップ1分類精度を得る。
論文 参考訳（メタデータ） (2022-12-11T20:37:50Z) - Characterizing and mitigating coherent errors in a trapped ion quantum
processor using hidden inverses [0.20315704654772418]
量子コンピューティングテストベッドは、量子ビットの小さな集合に対して高忠実な量子制御を示す。
これらのノイズの多い中間スケールデバイスは、デコヒーレンスの前に十分な数のシーケンシャルな操作をサポートすることができる。
これらのアルゴリズムの結果は不完全であるが、これらの不完全性は量子コンピュータのテストベッド開発をブートストラップするのに役立ちます。
論文 参考訳（メタデータ） (2022-05-27T20:35:24Z)
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。