論文の概要: Scalable Quantum Error Mitigation with Physically Informed Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2604.16815v1
• Date: Sat, 18 Apr 2026 04:04:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.186558
• Title: Scalable Quantum Error Mitigation with Physically Informed Graph Neural Networks
• Title（参考訳）: 物理インフォームドグラフニューラルネットワークによるスケーラブル量子誤差低減
• Authors: Huaxin Wang, Xinge Wu, Jiajun Liu, Ruiqing He, Jiandong Shang, Hengliang Guo, Qiang Chen,
• Abstract要約: QEM(Quantum error mitigation)は、ノイズの多い量子デバイス上で信頼性の高い可観測物を推定するための実用的な経路を提供する。 物理情報をモデル表現に組み込んだグラフ強化緩和(GEM)フレームワークを構築した。 我々は,GEMがCDRに匹敵する精度のレベルを提供すると同時に,平均絶対誤差を低くし,より大規模なシステムへのゼロショット転送の安定性を向上することを示した。
• 参考スコア（独自算出の注目度）: 15.406494854444583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum error mitigation (QEM) provides a practical route for estimating reliable observables on noisy intermediate-scale quantum (NISQ) devices. Traditional QEM strategies, including zero-noise extrapolation (ZNE) and Clifford data regression (CDR), rely on noise scaling or global regression, and their performance is constrained by the exponential growth of the system degrees of freedom. We construct a graph-enhanced mitigation (GEM) framework, which incorporates physical information into the model representation. In this work, quantum circuits are encoded as attributed graphs. Hardware-level physical information is mapped to node and edge features: local noise parameters such as calibration parameters $T_1$, $T_2$, and readout errors are encoded at nodes, while coupling-related information such as two-qubit gate errors is encoded as edge features. Graph neural networks are used to model how errors propagate along the physical coupling structure and build up into non-local correlations. This allows the model to capture local interactions and part of the resulting non-local correlations across qubits. A dual-branch affine correction is applied to maintain consistency with physical constraints. Experiments on 10-qubit and 16-qubit random circuits executed on superconducting quantum processors show that GEM provides a level of accuracy comparable to CDR at small scales, while yielding lower mean absolute error and improved stability in zero-shot transfer to larger systems. Results of the traditional QEM strategy indicate that global regression methods remain effective in low-dimensional settings but become less reliable as system degrees of freedom grow. In contrast, GEM makes use of local physical structures to show better scalability and generalization, while preserving the overall error propagation patterns. This work provides a practical scalable approach to QEM for NISQ devices.
• Abstract（参考訳）: QEM(Quantum error mitigation)は、ノイズの多い中間スケール量子(NISQ)デバイス上での信頼性のある可観測物を推定するための実用的な経路を提供する。 ゼロノイズ外挿(ZNE)やクリフォードデータ回帰(CDR)を含む従来のQEM戦略は、ノイズスケーリングやグローバルレグレッションに依存しており、その性能はシステムの自由度が指数関数的に増加することで制限されている。 物理情報をモデル表現に組み込んだグラフ強化緩和(GEM)フレームワークを構築した。 この研究において、量子回路は属性グラフとして符号化される。 ハードウェアレベルの物理情報はノードとエッジの特徴にマッピングされる: キャリブレーションパラメータ$T_1$、$T_2$、リードアウトエラーなどのローカルノイズパラメータはノードで符号化され、2ビットゲートエラーなどの結合関連情報はエッジ特徴として符号化される。 グラフニューラルネットワークは、物理的な結合構造に沿ってエラーが伝播し、非局所的な相関関係を構築する方法をモデル化するために使用される。 これにより、モデルが局所的な相互作用と、キュービット間の結果の非局所的相関の一部をキャプチャすることができる。 二重分岐アフィン補正は、物理的制約との整合性を維持するために適用される。 超伝導量子プロセッサ上で実行される10量子ビットおよび16量子ビットのランダム回路の実験では、GEMはCDRに匹敵する精度のレベルを小さなスケールで提供し、平均絶対誤差を低くし、より大規模なシステムへのゼロショット転送の安定性を向上させる。 従来のQEM戦略の結果は、グローバル回帰法は低次元設定でも有効であるが、システムの自由度が増大するにつれて信頼性が低下していることを示している。 対照的に、GEMは局所的な物理構造を利用して、全体的なエラー伝搬パターンを保ちながら、スケーラビリティと一般化を向上している。 この作業は、NISQデバイス向けのQEMに対する実用的なスケーラブルなアプローチを提供する。

関連論文リスト

• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• Quantum Error Mitigation with Attention Graph Transformers for Burgers Equation Solvers on NISQ Hardware [6.082976940335597]
  本稿では, 粘性バーガース方程式を解くために, 学習誤差軽減を付加したハイブリッド量子古典的フレームワークを提案する。 量子シミュレーションは、ノイズの多いAerバックエンドとIBM超伝導量子デバイス上で実行される。 我々は、回路構造、光コーン情報、大域的回路パラメータ、ノイズの多い量子出力を組み込んだアテンションベースのグラフニューラルネットワークを訓練し、誤りを軽減した解を予測する。
  論文  参考訳（メタデータ） (2025-12-29T19:23:20Z)
• Why Machine Learning Models Systematically Underestimate Extreme Values II: How to Fix It with LatentNN [0.2700171473617699]
  減衰バイアスは、天文学的なデータ駆動モデルに影響を与える。 ニューラルネットワークは同じ減衰バイアスに悩まされていることを示す。 ネットワークパラメータと潜時入力値を協調的に最適化するLatentNNを提案する。
  論文  参考訳（メタデータ） (2025-12-29T01:59:10Z)
• APRIL: Auxiliary Physically-Redundant Information in Loss - A physics-informed framework for parameter estimation with a gravitational-wave case study [0.0]
  物理情報ニューラルネットワーク(PINN)は、ニューラルネットワークのトレーニングに直接、システムを管理する偏微分方程式を組み込む。 本稿では,損失に物理的に依存する補助的な情報を含めることによる補完的アプローチを提案する。 数学的にこれらの用語は、損失景観を再構成しながら、真の物理的最小値を保存することを実証する。
  論文  参考訳（メタデータ） (2025-10-15T15:34:19Z)
• Sheaf Graph Neural Networks via PAC-Bayes Spectral Optimization [13.021238902084647]
  グラフニューラルネットワーク(GNN)のオーバースムース化は、異なるノード機能で崩壊を引き起こす。 SGPC (Sheaf GNNs with PAC-Bayes) は,セルラーシェーフメッセージパッシングと複数のメカニズムを組み合わせた統一アーキテクチャである。 9つのホモ親和性およびヘテロ親和性ベンチマークの実験により、SGPCは最先端スペクトルおよび層ベースGNNよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-08-01T06:39:28Z)
• Machine Learning Approach towards Quantum Error Mitigation for Accurate Molecular Energetics [0.0]
  我々は,誤り軽減技術の実現に向けて,グラフニューラルネットワークと回帰ベース機械学習(ML)アーキテクチャを考案した。 いくつかの強い相関を持つ分子に対する予測エネルギーの桁違いの改善を示す。
  論文  参考訳（メタデータ） (2025-04-09T17:49:09Z)
• 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)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)

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。