論文の概要: Few-Shot Cross-Device Transfer for Quantum Noise Modeling on Real Hardware

• arxiv url: http://arxiv.org/abs/2604.24397v1
• Date: Mon, 27 Apr 2026 12:23:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.997576
• Title: Few-Shot Cross-Device Transfer for Quantum Noise Modeling on Real Hardware
• Title（参考訳）: 実ハードウェア上での量子ノイズモデリングのためのFew-Shotクロスデバイス転送
• Authors: Sahil Al Farib, Sheikh Redwanul Islam, Azizur Rahman Anik,
• Abstract要約: 我々は,ある量子デバイスで学習したノイズモデルを,少量のデータを用いて別のデバイスに適用するための伝達学習手法を探究する。 その結果、最小限のサンプルで量子ノイズを学習し、微調整できることが示され、クロスデバイスな量子エラー軽減のための妥当なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the noisy intermediate-scale quantum (NISQ) regime, quantum devices contain hardware-specific noise sources which restrict device-invariant error mitigation strategies. We explore transfer learning approaches to apply noise models learned on one quantum device to a different device with the help of a small amount of data. We create a real-hardware dataset from two IBM quantum devices, ibm_fez (source) and ibm_marrakesh (target), comprising 170 noisy and ideal circuit output distributions, with device calibration features added. We train a residual neural network on the source device to map noisy to ideal outcomes. The zero-shot transfer test shows a KL divergence of 1.6706 (up from 0.3014), establishing device specificity. With K = 20 fine-tuning samples, KL drops to 1.1924 (28.6% improvement over zero-shot), recovering 34.9% of the gap between zero-shot and in-domain KL. Ablation studies reveal that the major cause of mismatches across devices is CX gate error, followed by readout error. The results show quantum noise can be learned and fine-tuned with minimal samples, and provide a plausible approach to cross-device quantum error mitigation.
• Abstract（参考訳）: ノイズの多い中間スケール量子(NISQ)システムでは、量子デバイスには、デバイス不変のエラー軽減戦略を制限するハードウェア固有のノイズ源が含まれている。 我々は,ある量子デバイスで学習したノイズモデルを,少量のデータを用いて別のデバイスに適用するための伝達学習手法を探究する。 我々は,2つのIBM量子デバイス,ibm_fez(ソース)とibm_marrakesh(ターゲット)から,170のノイズと理想的な回路出力分布からなる実ハードウェアデータセットを作成し,デバイスキャリブレーション機能を追加した。 我々は、ノイズを理想的な結果にマッピングするために、ソースデバイス上の残留ニューラルネットワークをトレーニングする。 ゼロショット転送テストでは、KLの発散は1.6706(0.3014から)であり、デバイス特異性を確立している。 K = 20の微調整サンプルにより、KLは1.1924(ゼロショットよりも28.6%改善)に低下し、ゼロショットとドメイン内KLの間のギャップの34.9%を回復する。 アブレーション研究によると、デバイス間のミスマッチの主な原因はCXゲートエラーであり、次にリードアウトエラーである。 その結果、最小限のサンプルで量子ノイズを学習し、微調整できることが示され、クロスデバイスな量子エラー軽減のための妥当なアプローチを提供する。

関連論文リスト

• Quantum Circuit-Based Adaptation for Credit Risk Analysis [27.308408027453012]
  NISQ(Noisy and Intermediate-Scale Quantum)は、ノイズに敏感で、量子デコヒーレンスの傾向があり、フォールトトレラント量子計算のための連続的な量子エラー補正がまだできないプロセッサである。 超伝導量子処理ユニット上のハードウェア対応変分量子回路が、特定のユースケースのCredit Risk Analysisに関係のある分布をモデル化する方法を実験的に検討した。
  論文  参考訳（メタデータ） (2026-01-11T11:17:37Z)
• Q-Cluster: Quantum Error Mitigation Through Noise-Aware Unsupervised Learning [4.984018914962973]
  QEM(Quantum error mitigation)は、量子コンピューティングにおけるノイズの影響を低減するために重要である。 本稿では、教師なし学習(クラスタリング)を用いて測定ビットストリング分布を再構成する新しいQEM手法Q-Clusterを提案する。 提案したQ-Cluster方式は,出力分布の最小値よりも平均1.46倍の忠実度を向上することを示す。
  論文  参考訳（メタデータ） (2025-04-15T01:53:39Z)
• Characterization of Noise using variants of Unitarity Randomized Benchmarking [6.376549579074444]
  Unitarity randomized benchmarking (URB) プロトコルは、量子ゲートによって誘導されるノイズのコヒーレンスを推定する方法である。 我々は、実際の量子デバイスから全てのパラメータとノイズモデルを使用する量子シミュレータにおいて、URBプロトコルを初めて実装した。
  論文  参考訳（メタデータ） (2024-10-27T17:46:51Z)
• Application of zero-noise extrapolation-based quantum error mitigation to a silicon spin qubit [0.08603957004874943]
  シリコンスピン量子ビットプラットフォーム上でのゼロノイズ外挿による誤差低減手法の実装について報告する。 この技術は超伝導量子ビット、トラップイオン量子ビット、フォトニックプロセッサなどの他のプラットフォームで実証されている。
  論文  参考訳（メタデータ） (2024-10-14T09:51:21Z)
• QuEst: Graph Transformer for Quantum Circuit Reliability Estimation [26.963991539714236]
  TorchQuantumと呼ばれるPythonライブラリは、機械学習タスクのためにPQCを構築し、シミュレートし、訓練することができる。 本稿では,回路の忠実度に対するノイズの影響を予測するために,グラフトランスフォーマモデルを提案する。 回路シミュレータと比較すると、予測器は忠実度を推定するための200倍以上のスピードアップを持つ。
  論文  参考訳（メタデータ） (2022-10-30T02:35:31Z)
• Error Mitigation-Aided Optimization of Parameterized Quantum Circuits: Convergence Analysis [42.275148861039895]
  変分量子アルゴリズム(VQA)は、ノイズプロセッサを介して量子アドバンテージを得るための最も有望な経路を提供する。 不完全性とデコヒーレンスによるゲートノイズは、バイアスを導入して勾配推定に影響を与える。 QEM(Quantum error mitigation)技術は、キュービット数の増加を必要とせずに、推定バイアスを低減することができる。 QEMは必要な反復回数を減らすことができるが、量子ノイズレベルが十分に小さい限りである。
  論文  参考訳（メタデータ） (2022-09-23T10:48:04Z)
• Quantum error mitigation via matrix product operators [27.426057220671336]
  QEM(Quantum error mitigation)は、測定結果の誤差を反復実験やデータのポスト分解によって抑制することができる。 MPO表現は、より実験的なリソースを消費することなく、ノイズをモデル化する精度を高める。 我々の手法は、より量子ビットと深度の高い高次元の回路に適用できることを期待している。
  論文  参考訳（メタデータ） (2022-01-03T16:57:43Z)
• A deep learning model for noise prediction on near-term quantum devices [137.6408511310322]
  我々は、量子デバイスからの実験データに基づいて畳み込みニューラルネットワークをトレーニングし、ハードウェア固有のノイズモデルを学ぶ。 コンパイラはトレーニングされたネットワークをノイズ予測器として使用し、期待されるノイズを最小限に抑えるために回路にゲートのシーケンスを挿入する。
  論文  参考訳（メタデータ） (2020-05-21T17:47:29Z)

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。