論文の概要: Scalable Quantum Error Mitigation with Neighbor-Informed Learning

• arxiv url: http://arxiv.org/abs/2512.12578v1
• Date: Sun, 14 Dec 2025 07:07:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.324696
• Title: Scalable Quantum Error Mitigation with Neighbor-Informed Learning
• Title（参考訳）: 近隣インフォームドラーニングによるスケーラブル量子誤り軽減
• Authors: Zhenyu Chen, Bin Cheng, Minbo Gao, Xiaodie Lin, Ruiqi Zhang, Zhaohui Wei, Zhengfeng Ji,
• Abstract要約: 我々は,汎用的でスケーラブルな量子エラー軽減フレームワークであるNILを導入する。 NILは、その構造的に関連する隣人の回路のノイズ出力から、ターゲット量子回路の理想的な出力を予測することを学ぶ。 機械学習モデルのためのトレーニングデータを生成する2設計のトレーニング手法が重要なイノベーションである。
• 参考スコア（独自算出の注目度）: 16.56662295818668
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noise in quantum hardware is the primary obstacle to realizing the transformative potential of quantum computing. Quantum error mitigation (QEM) offers a promising pathway to enhance computational accuracy on near-term devices, yet existing methods face a difficult trade-off between performance, resource overhead, and theoretical guarantees. In this work, we introduce neighbor-informed learning (NIL), a versatile and scalable QEM framework that unifies and strengthens existing methods such as zero-noise extrapolation (ZNE) and probabilistic error cancellation (PEC), while offering improved flexibility, accuracy, efficiency, and robustness. NIL learns to predict the ideal output of a target quantum circuit from the noisy outputs of its structurally related ``neighbor'' circuits. A key innovation is our 2-design training method, which generates training data for our machine learning model. In contrast to conventional learning-based QEM protocols that create training circuits by replacing non-Clifford gates with uniformly random Clifford gates, our approach achieves higher accuracy and efficiency, as demonstrated by both theoretical analysis and numerical simulation. Furthermore, we prove that the required size of the training set scales only \emph{logarithmically} with the total number of neighbor circuits, enabling NIL to be applied to problems involving large-scale quantum circuits. Our work establishes a theoretically grounded and practically efficient framework for QEM, paving a viable path toward achieving quantum advantage on noisy hardware.
• Abstract（参考訳）: 量子ハードウェアにおけるノイズは、量子コンピューティングの変換ポテンシャルを実現するための主要な障害である。 QEM(Quantum error mitigation)は、短期デバイスにおける計算精度を高めるための有望な経路を提供するが、既存の手法では、性能、リソースオーバーヘッド、理論的保証のトレードオフが難しい。 本研究では,ゼロノイズ外挿 (ZNE) や確率的誤りキャンセル (PEC) といった既存の手法を統一・強化し,柔軟性,精度,効率,堅牢性を向上する,汎用的でスケーラブルなQEMフレームワークであるNILを導入する。 NILは、ターゲット量子回路の理想的な出力を、その構造的に関連付けられた「隣の」回路のノイズ出力から予測することを学ぶ。 機械学習モデルのためのトレーニングデータを生成する2設計のトレーニング手法が重要なイノベーションである。 非クリフォードゲートを一様ランダムなクリフォードゲートに置き換えてトレーニング回路を作成する従来の学習ベースのQEMプロトコルとは対照的に,本手法は理論解析と数値シミュレーションの両方で示されるように,高い精度と効率を実現する。 さらに、トレーニングセットの必要なサイズは、隣り合う回路の総数に比例して \emph{logarithmically} しかスケールせず、大規模な量子回路に関わる問題にNILを適用することができることを証明した。 我々の研究は、QEMの理論的基盤と実用的効率の枠組みを確立し、ノイズの多いハードウェア上で量子優位性を達成するための実行可能な道を開いた。

関連論文リスト

• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  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)
• Circuit structure-preserving error mitigation for High-Fidelity Quantum Simulations [12.76515927552115]
  本稿では、パラメータ化量子回路のための回路構造保存誤差軽減フレームワークを提案する。 我々のアプローチの重要な利点は、ゲートエラーを効果的にキャラクタリゼーションし緩和しながら、元の回路アーキテクチャを維持する能力である。 我々の戦略はゲート誘起誤差に対処する実用的な解決策を提供し、現在の量子ハードウェア上で実現可能な量子シミュレーションの範囲を大幅に広げる。
  論文  参考訳（メタデータ） (2025-05-22T18:00:03Z)
• Q-Fusion: Diffusing Quantum Circuits [2.348041867134616]
  本稿では、新しい量子回路を生成するためにLayerDAGフレームワークを利用する拡散型アルゴリズムを提案する。 本結果は,提案モデルが100%有効な量子回路出力を連続的に生成することを示す。
  論文  参考訳（メタデータ） (2025-04-29T14:10:10Z)
• 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)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)

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。