論文の概要: HEOM-in-Calibration-Loop: Exposing Non-Markovian Bath Signatures That Markovian Calibration Elides in Superconducting-Qubit Tune-Up

• arxiv url: http://arxiv.org/abs/2604.21458v1
• Date: Thu, 23 Apr 2026 09:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.404205
• Title: HEOM-in-Calibration-Loop: Exposing Non-Markovian Bath Signatures That Markovian Calibration Elides in Superconducting-Qubit Tune-Up
• Title（参考訳）: HEOM-in-Calibration-Loop:超伝導-量子チューンアップにおけるマルコフ型校正が終了する非マルコフ型バス信号の露光
• Authors: Jun Ye,
• Abstract要約: 我々は、Tier-1/f Burkardバスで駆動されるQuTiP 5.x階層型運動方程式をマルチプロトコールキャリブレーションDAGに統合する。 パルスレベルシミュレータの凍結プラットフォーム上で, セゾルデとメゾルデとを比較した。
• 参考スコア（独自算出の注目度）: 2.3774562616857717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Closed-loop superconducting-qubit calibration has matured into DAG-orchestrated protocol chains, yet published frameworks treat the bath via a Markovian master equation or a phenomenological likelihood, absorbing bath structure into fit residuals instead of reporting it as a diagnostic. We integrate a QuTiP 5.x hierarchical-equations-of-motion (HEOM) solver driven by a Tier-1 1/f Burkard bath into a multi-protocol calibration DAG (Rabi -> {Ramsey || T1}) and benchmark it against sesolve and mesolve on a frozen platform in a pulse-level simulator (no hardware validation). The Ramsey channel carries the headline: the Markovian fit is censored by its exponential-family numerical ceiling, while HEOM recovers a physical revival envelope whose primary T2* separates from the Markovian reference by at least 13x at 95% independent-bootstrap confidence within the HEOM-feasible budget; the point-estimate ratio reaches >=28x on the 50-point primary-t1 grid and ~72x on the 30-point biexp-family tau_aw pivot at L=5. Rabi contrast falls 2.17% below mesolve on a noise-limited 30-point grid; the paired-bootstrap CI crosses zero, so this channel corroborates rather than independently establishes the non-Markovian signature. T1 decay shape matches across backends (beta=1.000), yet HEOM's initial occupation drops from 1.000 to 0.879 -- a bath-dressed contamination stable under a 16-point densification. The DAG adds 9.62 us average per-protocol scheduling overhead, no meaningful latency penalty at protocol granularity. HEOM-in-loop thereby changes what calibration reports: bath structure appears as a quantifiable residual rather than a hidden confound.
• Abstract（参考訳）: 閉ループ超伝導量子ビットキャリブレーションは、DAG-orchestrated protocol chainに成熟したが、公表されたフレームワークは、マルコフのマスター方程式または現象論的な可能性によって浴を扱い、診断として報告する代わりに、浴構造を適合した残留物に吸収する。 我々は、Tier-11/f Burkardバスで駆動されるQuTiP 5.x階層型運動方程式(HEOM)ソルバをマルチプロトコールキャリブレーションDAG(Rabi -> {Ramsey || T1})に統合し、パルスレベルシミュレータ(ハードウェア検証なし)において、解凍と解凍に対してベンチマークする。 マーコビアンフィッティングは指数級数天井によって検閲され、HEOMはマルコビアン基準から分離した物理リカバリエンベロープを少なくとも13倍、HEOMが実現可能な予算内で95%の独立ブートストラップ信頼度で回収し、ポイント推定比は50点のプライマリ・t1グリッドで >=28倍、L=5で30点のバイプロファクト・ハウス・タウ_awピボットで ~72倍に達する。 ラビのコントラストは、雑音に制限された30点の格子上で2.17%下降し、ペアのブートストラップCIは0を横切るため、このチャネルは独立にマルコフ符号を確立するのではなく、相関する。 T1崩壊形はバックエンド(beta=1.000)で一致しているが、HEOMの最初の占有率は1.000から0.879に減少し、16点の密度で安定な浴衣汚染となる。 DAGはプロトコルごとの平均スケジュールオーバーヘッドを9.62パーセント増やし、プロトコルの粒度において有意義な遅延ペナルティを伴わない。 HEOM-in-loopは、キャリブレーションの報告を次のように変更する。

関連論文リスト

• Auxiliary Finite-Difference Residual-Gradient Regularization for PINNs [0.0]
  本研究では,PDE残差が保たれるハイブリッド設計について検討するが,有限差分は弱い補助項にのみ現れる。 FD項は、PDE残基自体を置き換えることなく残留体を正則化する。 種子0-5と100kのエポック全体で、最も信頼性の高い試験はクルコウタス・ベタ政権下での固定殻重量5e-4である。
  論文  参考訳（メタデータ） (2026-04-15T23:09:19Z)
• LatentAudit: Real-Time White-Box Faithfulness Monitoring for Retrieval-Augmented Generation with Verifiable Deployment [19.317475241300397]
  オープン・ウェイト・ジェネレータから中～後期の残ストリームアクティベーションをプールするホワイトボックス監査機であるLatentAuditを紹介する。 残差ストリーム幾何は、使用可能な忠実度信号を持ち、この信号がアーキテクチャの変化を生き延び、同じ規則が公衆の検証にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2026-04-07T02:55:32Z)
• Robust Regression with Adaptive Contamination in Response: Optimal Rates and Computational Barriers [65.58071581164043]
  本研究では, 共変剤を清潔にし, 応答を適応的に劣化させる汚染モデルの下で, 頑健な回帰について検討する。 本研究では,ハマー汚染下で達成可能なものよりも優れた推定率を持つ推定器を構築するために,追加情報を慎重に活用できることを示す。 情報理論の観点からは、ハマーモデルよりも改善されているにもかかわらず、この問題が強い情報計算ギャップを示すという公式な証拠を提供する。
  論文  参考訳（メタデータ） (2026-04-05T19:07:24Z)
• PRISM: Differentiable Analysis-by-Synthesis for Fixel Recovery in Diffusion MRI [1.3063136334195184]
  この研究は、多部構成のフォワードモデルとエンドツーエンドの脳脊髄モデルに適合する、微分可能な分析バイシンセシスフレームワークを紹介します。 PRISMは高速MSE目標と情報無しで共同で学習するリッチ陰性対数類似度(NLL)をサポートする。 PRISMは、95%のリコールが最良基準線よりも1.9倍低い3.5度の角誤差を達成している。
  論文  参考訳（メタデータ） (2026-03-31T21:22:49Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Near-Oracle KV Selection via Pre-hoc Sparsity for Long-Context Inference [54.467557491325046]
  本稿では,注意スコアの前にKVエントリを選択し,明示的な精度制御を行うプリホックスパシティ(PrHS)を提案する。 PrHSは検索オーバーヘッドを90%以上削減し、HShareよりも3倍高い精度で検索できる。 これはLongBenchの平均劣化率を1%以下に抑え、FLOPを約15%減らし、9.9倍のレイテンシと2.8倍のスループットを得る。
  論文  参考訳（メタデータ） (2026-02-09T07:05:23Z)
• Edge-aware baselines for ogbn-proteins in PyTorch Geometric: species-wise normalization, post-hoc calibration, and cost-accuracy trade-offs [45.88028371034407]
  PyTorch Geometric におけるogbnタンパク質の再現可能なエッジ認識ベースラインを提案する。 最強のベースラインは、和ベースのエッジ・ツー・ノード機能を備えたGraphSAGEです。 レーベルごとの温度スケーリングとラベルごとの閾値は、AUCの変更を無視して、マイクロF1と期待キャリブレーション誤差(ECE)を大幅に改善する。
  論文  参考訳（メタデータ） (2025-11-17T11:09:46Z)

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。