論文の概要: Efficient Learning Algorithms for Noisy Quantum State and Process Tomography
- arxiv url: http://arxiv.org/abs/2603.01521v1
- Date: Mon, 02 Mar 2026 06:50:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.722674
- Title: Efficient Learning Algorithms for Noisy Quantum State and Process Tomography
- Title（参考訳）: ノイズ量子状態とプロセストモグラフィーのための効率的な学習アルゴリズム
- Authors: Chenyang Li, Shengxin Zhuang, Yukun Zhang, Jingbo B. Wang, Xiao Yuan, Yusen Wu, Chuan Wang,
- Abstract要約: 雑音の多い$n$-qubit量子回路に対して,確率的かつ構造に依存しない学習フレームワークを導入する。
結果として、大規模ノイズ量子デバイスを特徴付けるためのスケーラブルで実用的な経路が提供される。
- 参考スコア（独自算出の注目度）: 17.414887413731385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficiently characterizing large quantum states and processes is a central yet notoriously challenging task in quantum information science, as conventional tomography methods typically require resources that grow exponentially with system size. Here, we introduce a provably efficient and structure-agnostic learning framework for noisy $n$-qubit quantum circuits under generic noise with arbitrary noise strength. We first develop a sample-efficient learning algorithm for unital noisy quantum states. Building on this result, we extend the framework to quantum process tomography, obtaining a unified protocol applicable to both unital and non-unital channels. The resulting approach is input-agnostic and does not rely on assumptions about specific input distributions. Our theoretical analysis shows that both state and process learning require only polynomially many samples and polynomial classical post-processing in the number of qubits, while achieving near-unit success probability over ensembles generated by local random circuits. Numerical simulations of two-dimensional Hamiltonian dynamics further demonstrate the accuracy and robustness of the approach, including for structured circuits beyond the random-circuit setting assumed in the theoretical analysis. These results provide a scalable and practically relevant route toward characterizing large-scale noisy quantum devices, addressing a key bottleneck in the development of quantum technologies.
- Abstract（参考訳）: 大規模な量子状態やプロセスの効率的なキャラクタリゼーションは、従来のトモグラフィー手法ではシステムサイズとともに指数関数的に成長するリソースを必要とするため、量子情報科学において中心的かつ悪名高い課題である。
本稿では、任意の雑音強度を持つ一般雑音下でのノイズ$n$-qubit量子回路に対して、確率的に効率的かつ構造に依存しない学習フレームワークを提案する。
まず,単位雑音量子状態に対するサンプル効率学習アルゴリズムを開発した。
この結果に基づいて、このフレームワークを量子プロセストモグラフィーに拡張し、ユニタリチャネルと非ユニタリチャネルの両方に適用可能な統一プロトコルを得る。
結果として得られるアプローチは入力に依存しず、特定の入力分布に関する仮定に依存しない。
我々の理論的解析は, 状態学習とプロセス学習の両方が, 局所乱数回路で生成されるアンサンブルに対して, ほぼ単位に近い成功確率を達成しつつ, キュービット数で多項式的に多くのサンプルと多項式古典的後処理しか必要としないことを示している。
二次元ハミルトニアン力学の数値シミュレーションは、理論解析で仮定されるランダム回路を超えた構造化回路を含むアプローチの正確性と堅牢性をさらに証明している。
これらの結果は、大規模ノイズ量子デバイスを特徴付けるためのスケーラブルで実用的な経路を提供し、量子技術の発展における重要なボトルネックに対処する。
関連論文リスト
- Advancing Quantum State Preparation Using Decision Diagram with Local Invertible Maps [5.328178128965817]
本稿では,利用可能なアシラ量子ビットの数に応じて,効率的な量子状態合成(QSP)アルゴリズム群を提案する。
我々のアプローチは、量子回路の複雑さを低減するために、局所可逆写像決定図(LimTDD)のパワーを利用する。
論文 参考訳（メタデータ） (2025-07-23T03:34:44Z) - 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) - Hamiltonian Dynamics Learning: A Scalable Approach to Quantum Process Characterization [6.741097425426473]
短時間のハミルトン力学に特化して設計された効率的な量子プロセス学習法を提案する。
我々は、量子機械学習の応用を実証し、このプロトコルは、ユニタリ変換を直接学習することで、変分量子ニューラルネットワークの効率的なトレーニングを可能にする。
この研究は、実用的な量子力学学習のための新しい理論的基盤を確立し、短期的およびフォールトトレラントな量子コンピューティングの両方においてスケーラブルな量子プロセスのキャラクタリゼーションの道を開いた。
論文 参考訳（メタデータ） (2025-03-31T14:50:00Z) - 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) - Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文 参考訳（メタデータ） (2024-01-31T01:02:16Z) - Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳（メタデータ） (2023-11-07T04:35:03Z) - Improved iterative quantum algorithm for ground-state preparation [4.921552273745794]
ハミルトン系の基底状態を作成するために,改良された反復量子アルゴリズムを提案する。
提案手法には,各イテレーションにおける成功確率の向上,測定精度に依存しないサンプリングの複雑さ,ゲートの複雑さの低減,およびアシラリー状態が十分に準備された場合の量子資源のみを必要とするという利点がある。
論文 参考訳（メタデータ） (2022-10-16T05:57:43Z) - Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。
我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
論文 参考訳（メタデータ） (2022-04-12T19:39:31Z) - Quantum Causal Unravelling [44.356294905844834]
我々は,多部量子プロセスにおける相互作用の因果構造を明らかにするための,最初の効率的な方法を開発した。
我々のアルゴリズムは、量子プロセストモグラフィーの技法で効率的に特徴付けることができるプロセスを特定するのに利用できる。
論文 参考訳（メタデータ） (2021-09-27T16:28:06Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z) - Robustness Verification of Quantum Classifiers [1.3534683694551501]
我々は、雑音に対する量子機械学習アルゴリズムの検証と解析のための正式なフレームワークを定義する。
堅牢な境界が導出され、量子機械学習アルゴリズムが量子トレーニングデータに対して堅牢であるか否かを確認するアルゴリズムが開発された。
我々のアプローチはGoogleのQuantum分類器に実装されており、ノイズの小さな乱れに関して量子機械学習アルゴリズムの堅牢性を検証することができる。
論文 参考訳（メタデータ） (2020-08-17T11:56:23Z)
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。