論文の概要: DifGa: Differentiable Error Mitigation for Multi-Mode Gaussian and Non-Gaussian Noise in Quantum Photonic Circuits

• arxiv url: http://arxiv.org/abs/2512.23776v1
• Date: Mon, 29 Dec 2025 13:18:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.160669
• Title: DifGa: Differentiable Error Mitigation for Multi-Mode Gaussian and Non-Gaussian Noise in Quantum Photonic Circuits
• Title（参考訳）: DifGa: 量子フォトニック回路における多モードガウス雑音と非ガウス雑音の微分誤差低減
• Authors: Dennis Delali Kwesi Wayo, Rodrigo Alves Dias, Leonardo Goliatt, Sven Groppe,
• Abstract要約: DifGaはガウス的損失と弱い非ガウス的ノイズの下で動作している連続可変量子フォトニック回路のフレームワークである。 モンテカルロ平均化を用いたノイズアウェアトレーニングは、ガウス訓練による回復と比較して1桁以上の誤差を低減し、堅牢な一般化をもたらす。
• 参考スコア（独自算出の注目度）: 4.11280059407553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce DifGa, a fully differentiable error-mitigation framework for continuous-variable (CV) quantum photonic circuits operating under Gaussian loss and weak non-Gaussian noise. The approach is demonstrated using analytic simulations with the default.gaussian backend of PennyLane, where quantum states are represented by first and second moments and optimized end-to-end via automatic differentiation. Gaussian loss is modeled as a beam splitter interaction with an environmental vacuum mode of transmissivity $η\in [0.3,0.95]$, while non-Gaussian phase noise is incorporated through a differentiable Monte-Carlo mixture of random phase rotations with jitter amplitudes $δ\in [0,0.7]$. The core architecture employs a multi-mode Gaussian circuit consisting of a signal, ancilla, and environment mode. Input states are prepared using squeezing and displacement operations with parameters $(r_s,\varphi_s,α)=(0.60,0.30,0.80)$ and $(r_a,\varphi_a)=(0.40,0.10)$, followed by an entangling beam splitter with angles $(θ,φ)=(0.70,0.20)$. Error mitigation is achieved by appending a six-parameter trainable Gaussian recovery layer comprising local phase rotations and displacements, optimized by minimizing a quadratic loss on the signal-mode quadratures $\langle \hat{x}_0\rangle$ and $\langle \hat{p}_0\rangle$ using gradient descent with fixed learning rate $0.06$ and identical initialization across experiments. Under pure Gaussian loss, the optimized recovery suppresses reconstruction error to near machine precision ($<10^{-30}$) for moderate loss ($η\ge 0.5$). When non-Gaussian phase noise is present, noise-aware training using Monte Carlo averaging yields robust generalization, reducing error by more than an order of magnitude compared to Gaussian-trained recovery at large phase jitter. Runtime benchmarks confirm linear scaling with the number of Monte Carlo samples.
• Abstract（参考訳）: ガウス的損失と弱い非ガウス的ノイズの下で動作する連続可変(CV)量子フォトニック回路のための完全微分可能な誤差緩和フレームワークであるDifGaを紹介する。 この手法は、PennyLaneのデフォルトの.gaussianバックエンドによる解析シミュレーションを用いて実証され、量子状態は第1モーメントと第2モーメントで表現され、自動微分によってエンドツーエンドに最適化される。 ガウスの損失は、放射率$η\in [0.3,0.95]$の環境真空モードとのビームスプリッタ相互作用としてモデル化され、非ガウスの位相ノイズは、ジッタ振幅$δ\in [0,0.7]$のランダム位相回転の微分可能なモンテカルロ混合により組み込まれる。 コアアーキテクチャでは、信号、アンシラ、環境モードからなるマルチモードガウス回路を採用している。 入力状態は、パラメータ$(r_s,\varphi_s,α)=(0.60,0.30,0.80)$および$(r_a,\varphi_a)=(0.40,0.10)$でスクイーズおよび変位演算を用いて作成され、その後、角度$(θ,φ)=(0.70,0.20)$でエンタングリングビームスプリッタが続く。 誤差緩和は、局所位相回転と変位を含む6パラメータの訓練可能なガウス回復層を付加することにより達成され、信号モード二次函数の2次損失を極小化することにより最適化される。 純粋なガウス損失の下では、最適化されたリカバリは復元誤差を、中間損失(η\ge 0.5$)に対してほぼ精度(<10^{-30}$)に抑える。 非ガウス位相ノイズが存在する場合、モンテカルロ平均化を用いた雑音認識トレーニングは、大きな位相ジッタでのガウス学習回復と比較して1桁以上の誤差を低減し、ロバストな一般化をもたらす。 実行時ベンチマークでは、Monte Carloサンプルの数で線形スケーリングを確認している。

関連論文リスト

• Estimation of Toeplitz Covariance Matrices using Overparameterized Gradient Descent [1.7188280334580195]
  単純降下レンズ(GD)によるToeplitz共分散推定の再検討 K = P$ のとき、GD は準最適解に収束する。 本稿では,振幅と周波数の学習率の異なる高速なGD変種を提案する。
  論文  参考訳（メタデータ） (2025-11-03T14:07:53Z)
• ReSplat: Learning Recurrent Gaussian Splats [98.14472247275512]
  ReSplatはフィードフォワードリカレントガウシアンスプラッティングモデルであり、明示的に勾配を計算せずに3Dガウシアンを反復的に洗練する。 我々は16倍のサブサンプル空間で動作するコンパクトな再構成モデルを導入し、以前のピクセルごとのガウスモデルよりも16倍のガウスモデルを生成する。 提案手法は,ガウス数を大幅に削減し,レンダリング速度を向上させるとともに,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:59Z)
• Improving Quantum Approximate Optimization by Noise-Directed Adaptive Remapping [2.6447353939786296]
  ノイズ指向リマッピング(Noss-Directed Remapping, NDAR)は、ある種のノイズを利用して二進最適化問題を解決するアルゴリズムである。 我々は、グローバルなアトラクタ状態を特徴とするダイナミックスを備えたノイズの多い量子プロセッサへのアクセスを検討する。 我々のアルゴリズムは、ノイズアトラクターを高品質な解に変換する方法で、コスト関数ハミルトニアンを反復的にゲージ変換することでノイズアトラクター状態をブートストラップする。
  論文  参考訳（メタデータ） (2024-04-01T18:28:57Z)
• Superior resilience of non-Gaussian entanglement against local Gaussian noises [0.0]
  我々は、決定論的局所減衰または増幅の効果の下で、特定の非ガウスの2モード状態が絡み合っていることを証明した。 これらの結果は量子情報科学におけるガウス世界のパラダイムをシフトさせる。
  論文  参考訳（メタデータ） (2022-12-30T14:38:05Z)
• Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
  クエーサースペクトルを完全に記述できる新しいモデルを提案する。 また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。 CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
  論文  参考訳（メタデータ） (2022-11-17T13:01:26Z)
• Random quantum circuits transform local noise into global white noise [118.18170052022323]
  低忠実度状態におけるノイズランダム量子回路の測定結果の分布について検討する。 十分に弱くユニタリな局所雑音に対して、一般的なノイズ回路インスタンスの出力分布$p_textnoisy$間の相関(線形クロスエントロピーベンチマークで測定)は指数関数的に減少する。 ノイズが不整合であれば、出力分布は、正確に同じ速度で均一分布の$p_textunif$に近づく。
  論文  参考訳（メタデータ） (2021-11-29T19:26:28Z)
• Efficient approximation of experimental Gaussian boson sampling [2.805766654291013]
  最近の2つの目覚しい実験は、最大144個の出力モードで、プログラム不可能な線形干渉計としきい値検出器を備えたガウスボソンサンプリング(GBS)を行った。 ここでは、これらの実験よりも全変動距離とクルバック・リーブラーの偏差がよい古典的なサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-23T17:47:06Z)
• Convergence of Langevin Monte Carlo in Chi-Squared and Renyi Divergence [8.873449722727026]
  推定値である$widetildemathcalO(depsilon-1)$が,これらの測定値の既知レートを改善することを示す。 特に凸および1次滑らかなポテンシャルについて、LCCアルゴリズムは、これらの測定値の既知率を改善するために$widetildemathcalO(depsilon-1)$を推定する。
  論文  参考訳（メタデータ） (2020-07-22T18:18:28Z)
• Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
  学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。 i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
  論文  参考訳（メタデータ） (2020-07-16T06:44:44Z)
• A Random Matrix Analysis of Random Fourier Features: Beyond the Gaussian Kernel, a Precise Phase Transition, and the Corresponding Double Descent [85.77233010209368]
  本稿では、データサンプルの数が$n$である現実的な環境で、ランダムフーリエ(RFF)回帰の正確さを特徴付けます。 この分析はまた、大きな$n,p,N$のトレーニングとテスト回帰エラーの正確な推定も提供する。
  論文  参考訳（メタデータ） (2020-06-09T02:05:40Z)
• Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and Variance Reduction [63.41789556777387]
  非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。 Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
  論文  参考訳（メタデータ） (2020-06-04T17:51:00Z)

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。