論文の概要: A Graph-Based Forensic Framework for Inferring Hardware Noise of Cloud Quantum Backend

• arxiv url: http://arxiv.org/abs/2512.14541v1
• Date: Tue, 16 Dec 2025 16:17:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.781268
• Title: A Graph-Based Forensic Framework for Inferring Hardware Noise of Cloud Quantum Backend
• Title（参考訳）: クラウド量子バックエンドのハードウェアノイズを推定するためのグラフベースの法医学的フレームワーク
• Authors: Subrata Das, Archisman Ghosh, Swaroop Ghosh,
• Abstract要約: クラウド量子プラットフォームは、異なるキュービット技術、結合レイアウト、ノイズレベルを持つ多くのバックエンドへのアクセスを提供する。 回路の実行は、ユーザにとって観測不可能な内部割り当てとルーティングポリシーに依存する。 グラフニューラルネットワーク(GNN)に基づく法医学的フレームワークを導入し、未知のバックエンドのキュービット毎およびキュービット毎のリンクエラー率を予測する。
• 参考スコア（独自算出の注目度）: 0.5352699766206807
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cloud quantum platforms give users access to many backends with different qubit technologies, coupling layouts, and noise levels. The execution of a circuit, however, depends on internal allocation and routing policies that are not observable to the user. A provider may redirect jobs to more error-prone regions to conserve resources, balance load or for other opaque reasons, causing degradation in fidelity while still presenting stale or averaged calibration data. This lack of transparency creates a security gap: users cannot verify whether their circuits were executed on the hardware for which they were charged. Forensic methods that infer backend behavior from user-visible artifacts are therefore becoming essential. In this work, we introduce a Graph Neural Network (GNN)-based forensic framework that predicts per-qubit and per-qubit link error rates of an unseen backend using only topology information and aggregated features extracted from transpiled circuits. We construct a dataset from several IBM 27-qubit devices, merge static calibration features with dynamic transpilation features and train separate GNN regressors for one- and two-qubit errors. At inference time, the model operates without access to calibration data from the target backend and reconstructs a complete error map from the features available to the user. Our results on the target backend show accurate recovery of backend error rate, with an average mismatch of approximately 22% for single-qubit errors and 18% for qubit-link errors. The model also exhibits strong ranking agreement, with the ordering induced by predicted error values closely matching that of the actual calibration errors, as reflected by high Spearman correlation. The framework consistently identifies weak links and high-noise qubits and remains robust under realistic temporal noise drift.
• Abstract（参考訳）: クラウド量子プラットフォームは、異なるキュービット技術、結合レイアウト、ノイズレベルを持つ多くのバックエンドへのアクセスを提供する。 しかし、回路の実行は、ユーザにとって観測不可能な内部アロケーションとルーティングポリシーに依存する。 プロバイダは、リソースの保存、負荷のバランス、その他の不透明な理由のために、ジョブをよりエラーを起こしやすいリージョンにリダイレクトする。 ユーザーは、自分の回路が充電されたハードウェア上で実行されたかどうかを検証できない。 したがって、ユーザ可視のアーティファクトからバックエンドの振る舞いを推測する法医学的手法が不可欠である。 本研究では, トポロジ情報と, トランスパイル回路から抽出した特徴量のみを用いて, 未知のバックエンドのキュービット毎およびキュービット毎のリンクエラー率を予測するグラフニューラルネットワーク(GNN)に基づく法医学的フレームワークを提案する。 我々は、IBM 27-qubit デバイスからデータセットを構築し、静的キャリブレーション機能と動的トランスパイル機能を統合し、GNNレグレッタを1ビットと2ビットのエラーで訓練する。 推測時に、モデルはターゲットバックエンドからキャリブレーションデータにアクセスせずに動作し、ユーザーに利用可能な機能から完全なエラーマップを再構築する。 対象のバックエンドでは, 平均ミスマッチが1キュービット誤りで約22%, クビットリンク誤りで18%の精度で, バックエンドエラー率の精度が向上した。 モデルはまた、高いスピアマン相関によって反映されるように、予測誤差値と実際のキャリブレーション誤差との密接な一致による順序付けとともに、強いランク付けの一致を示す。 このフレームワークは、弱いリンクと高雑音の量子ビットを一貫して識別し、現実的な時間的ノイズドリフトの下では頑健である。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Distributed Training under Packet Loss [8.613477072763404]
  信頼性の低いコネクションを利用するとレイテンシが低下するが、パケットを落としてモデルの精度と収束を犠牲にする可能性がある。 そこで本研究では,パケット損失の正確性と収束性を保証する原理的なエンドツーエンドソリューションを提案する。 この研究は、コミュニケーション効率の高いプロトコルと、現代の大規模モデルの訓練で要求される精度と保証のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2025-07-02T11:07:20Z)
• Forensics of Error Rates of Quantum Hardware [2.348041867134616]
  元の回路とトランスパイル回路からバックエンドの誤差率を推定する。 法医学では、トランスパイレーションプロセスのキュービットマッピングとルーティングステップが、単一キュービットと2キュービットのゲートエラーの少ないキュービットとキュービットのペアを選択するという事実を利用する。
  論文  参考訳（メタデータ） (2025-05-16T21:25:12Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• DGR: Tackling Drifted and Correlated Noise in Quantum Error Correction via Decoding Graph Re-weighting [14.817445452647588]
  量子オーバーヘッドを伴わない効率的なデコードグラフエッジ再重み付け戦略を提案する。 DGRは、平均ケースノイズミスマッチで論理誤差率を3.6倍にし、最悪のケースミスマッチで5000倍以上の改善を行う。
  論文  参考訳（メタデータ） (2023-11-27T18:26:16Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Witnessing entanglement in trapped-ion quantum error correction under realistic noise [41.94295877935867]
  量子誤り補正(Quantum Error Correction, QEC)は、論理情報を複数の物理量子ビットに符号化することで冗長性を利用する。 トラップイオンプラットフォームで使用される2量子光シフトゲートの平均ゲート不忠実度を推定するために,詳細な顕微鏡誤差モデルを提案する。 次に、この現実的な誤差モデルを適用し、QECビルディングブロックとして機能する回路によって生成されるマルチパーティントの絡み合いを定量化する。
  論文  参考訳（メタデータ） (2022-12-14T20:00:36Z)

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。