論文の概要: Runtime-efficient zero-noise extrapolation from mixed physical and logical data

• arxiv url: http://arxiv.org/abs/2604.15014v1
• Date: Thu, 16 Apr 2026 13:42:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.925889
• Title: Runtime-efficient zero-noise extrapolation from mixed physical and logical data
• Title（参考訳）: 混合物理データと論理データからの実行時効率ゼロノイズ外挿
• Abstract要約: 部分量子エラー補正と量子エラー軽減は、前フォールト-トレラント状態において共存することが期待されている。 本稿では,少数の誤り訂正データ点を含む混合データセットから構築したゼロノイズ外挿について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Partial quantum error correction and quantum error mitigation are expected to coexist in the pre-fault-tolerant regime, yet the resource advantage of combining them remains insufficiently quantified. We study zero-noise extrapolation constructed from mixed datasets that contain a small number of error-corrected data points together with data obtained without error correction. The low-noise logical points anchor the extrapolation, while the higher-noise physical points enlarge the noise baseline at a much smaller runtime cost. Under a simple model in which error correction suppresses the effective gate error rate from p to $γ$p, we derive the variance of the zero-noise estimator and compare the physical runtime required to reach a target precision. For Richardson extrapolation, the mixed-data strategy reduces variance amplification and can lower the required physical runtime by several orders of magnitude when $γ\leq 0.1$. As a proof of principle, we apply the method to digital quantum simulation of a six-spin transverse-field Ising model and find that mixed physical/logical datasets yield lower-variance zero-noise estimates and outperform extrapolation based only on error-corrected data in the parameter regime studied here. These results identify hybrid error correction and error mitigation as a practical route to resource-efficient quantum computation before full fault tolerance.
• Abstract（参考訳）: 部分量子エラー補正と量子エラー軽減は、前フォールト耐性の体制で共存することが期待されているが、それらを組み合わせるための資源的利点は、まだ十分に定量化されていない。 本研究では,少数の誤り訂正データを含む混合データセットと,誤り訂正なしで得られたデータから構築したゼロノイズ外挿について検討する。 低雑音の論理点が外挿を固定し、高雑音の物理点がはるかに小さな実行コストでノイズベースラインを拡大する。 誤差補正が有効ゲート誤差率をpから$γ$pに抑制する単純なモデルの下では、ゼロノイズ推定器のばらつきを導出し、目標精度に達するために必要な物理ランタイムを比較する。 Richardsonの外挿では、混合データ戦略は分散増幅を減少させ、$γ\leq 0.1$のとき、必要な物理ランタイムを桁違いに小さくすることができる。 原理の証明として、6スピン逆場イジングモデルのディジタル量子シミュレーションに適用し、混合物理・論理的データセットが低分散ゼロノイズ推定を行い、ここで研究したパラメータ体系における誤り訂正データのみに基づいて外挿性能を向上することを示した。 これらの結果から,完全耐故障前における資源効率のよい量子計算の実践的経路として,ハイブリッドな誤り訂正と誤り軽減が期待できる。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Infinite Distance Extrapolation: How error mitigation can enhance quantum error correction [1.7747590318218414]
  QEM(Quantum error mitigation)とQEC(Quantum error correct)は、2つの研究領域であり、しばしば異なる実体と見なされる。 ゼロノイズ外挿法(ZNE)の誤差緩和手法に基づく2つの交点におけるパラダイムについて検討する。 物理ノイズレベルの低減は、どちらも論理誤差率の低下をもたらすため、符号距離の増大と類似しているという事実を利用する。
  論文  参考訳（メタデータ） (2026-03-11T20:26:40Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Convergence Dynamics of Over-Parameterized Score Matching for a Single Gaussian [48.340460104014]
  学習モデルの勾配降下について検討し,1つのガウス分布を学習する。 複数の条件下での勾配降下に対する大域収束結果を証明した。 これは、スコアマッチングフレームワークの下で少なくとも3つの成分を持つガウス混合に対する大域収束保証を確立するための最初の試みである。
  論文  参考訳（メタデータ） (2025-11-27T03:41:48Z)
• Universal Quantum Error Mitigation via Random Inverse Depolarizing Approximation [45.88028371034407]
  RIDA(Random Inverse Depolarization Approximation)は、ランダムに生成された回路を用いて、所定の回路の大域的脱分極確率とそれに対応するエラーフリー期待値を推定する単純な普遍的手法である。 数値実験は、RIDAが鍵となるベンチマークよりも優れており、物理学や化学を含む分野にわたる量子コンピューティングの応用において、大幅な精度の向上が示唆されている。
  論文  参考訳（メタデータ） (2025-08-24T20:30:08Z)
• Physics-Inspired Extrapolation for efficient error mitigation and hardware certification [10.804056735359618]
  量子エラー軽減は、ノイズの多い中間スケールの量子時代にとって不可欠である。 ほとんどのQEM法は、偏りのない推定を達成するために指数的なサンプリングオーバーヘッドを発生させる。 本稿では,物理に着想を得た線形回路ランタイムプロトコルである外挿法を提案する。
  論文  参考訳（メタデータ） (2025-05-12T18:20:58Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
  機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。 提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T10:19:27Z)
• Inverted-circuit zero-noise extrapolation for quantum gate error mitigation [0.0]
  本稿では,量子回路で発生する誤差の強度を簡易に推定する手法を提案する。 逆回路を付加し、初期状態の確率を測定することにより、回路の誤差強度を決定する。 提案手法は,現在のハードウェアにおいて特に有効であることが証明され,その短期量子コンピューティングアプリケーションへの適用性を示す。
  論文  参考訳（メタデータ） (2024-03-03T20:27:27Z)
• Purity-Assisted Zero-Noise Extrapolation for Quantum Error Mitigation [10.577215927026199]
  誤り率仮定の制限に対処するために、純度支援ゼロノイズ外挿法(pZNE)を用いる。 pZNE法は、通常のZNEのバイアスを著しく低減しない。 有効性は、通常のZNEが制限に直面する可能性のある幅広いエラー率にまで拡張される。
  論文  参考訳（メタデータ） (2023-10-16T03:46:30Z)
• Error mitigation, optimization, and extrapolation on a trapped ion testbed [0.05185707610786576]
  ゼロノイズ補間(ZNE)と呼ばれる誤差軽減の形式は、必要なキュービット数を増やすことなく、これらのエラーに対するアルゴリズムの感度を低下させることができる。 本稿では,この誤差軽減手法を変分量子固有解法(VQE)アルゴリズムに統合するための様々な手法について検討する。 本手法の有効性は, デバイスアーキテクチャの適切な実装を選択することによる。
  論文  参考訳（メタデータ） (2023-07-13T19:02:39Z)
• A Novel Adaptive Causal Sampling Method for Physics-Informed Neural Networks [35.25394937917774]
  インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)の解を得るための魅力的な機械学習手法である。 適応サンプリングに時間因果性を導入し,PINの性能と効率を向上させるための適応因果サンプリング手法を提案する。 本研究では, 比較的単純なサンプリング手法を用いることで, 予測性能を2桁まで向上できることを実証した。
  論文  参考訳（メタデータ） (2022-10-24T01:51:08Z)
• Federated Edge Learning with Misaligned Over-The-Air Computation [36.39188653838991]
  オーバーザエア計算(OAC)は、フェデレーションエッジラーニングのアップリンクで高速なモデル集約を実現する有望な技術です。 残留チャネルゲインミスマッチと非同期の存在下での最大確率(ml)推定器の設計は、オープンな問題である。 本稿では,フェデレートエッジ学習におけるOACの誤りを定式化し,白色マッチングフィルタとサンプリング方式を提案する。
  論文  参考訳（メタデータ） (2021-02-26T17:19:56Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)
• Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
  我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。 本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
  論文  参考訳（メタデータ） (2020-05-22T22:30:52Z)

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。