論文の概要: Improving Zero-Noise Extrapolation via Physically Bounded Models

• arxiv url: http://arxiv.org/abs/2604.24475v1
• Date: Mon, 27 Apr 2026 13:44:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.056062
• Title: Improving Zero-Noise Extrapolation via Physically Bounded Models
• Title（参考訳）: 物理的境界モデルによるゼロノイズ外挿の改善
• Abstract要約: ゼロノイズ外挿(ZNE)は、増幅ノイズレベルで得られた外挿測定によって、短期量子デバイスにおける誤差を軽減し、ノイズのない期待値を推定する。 実際には、一般的に使用されるモデルは物理的な制約を課さずに適合しており、観測可能な範囲の外で予測を行うことができる。 我々は、ゼロノイズ推定を明示的にパラメータ化し、外挿中にそれを制約することにより、物理的に有界、指数、および量子指数外挿モデルを導入する。
• 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: Zero-noise extrapolation (ZNE) mitigates errors in near-term quantum devices by extrapolating measurements obtained at amplified noise levels to estimate noise-free expectation values. In practice, commonly used extrapolation models are fitted without enforcing physical constraints, which can yield predictions outside the valid range of quantum observables. In this work, we introduce physically bounded variants of polynomial, exponential, and polynomial--exponential extrapolation models by explicitly parameterizing the zero-noise estimate and constraining it during optimization. We evaluate the approach using a large synthetic benchmark comprising 180,000 circuits and approximately 3.6 million ZNE experiments generated under realistic device noise models derived from IBM quantum backends. We also perform preliminary validation on real quantum hardware using GHZ and W-state circuits. Across the synthetic benchmark, bounded extrapolation substantially reduces unphysical predictions and improves the stability of exponential- and polynomial--exponential-family models, whereas polynomial models show little difference between bounded and unbounded variants. Hardware experiments show similar qualitative behaviour: bounded models generally avoid pathological extrapolations and often provide a more reliable balance between accuracy and usable coverage. At the same time, the results highlight practical limitations of current devices, including stronger-than-expected noise effects and variability not fully captured by simulation models. These results suggest that enforcing physical constraints during extrapolation improves the reliability of ZNE and that this approach can be incorporated into existing workflows with minimal modification.
• Abstract（参考訳）: ゼロノイズ外挿(ZNE)は、増幅ノイズレベルで得られた外挿測定によって、短期量子デバイスにおける誤差を軽減し、ノイズのない期待値を推定する。 実際には、一般的に用いられる外挿モデルは、物理的制約を課さずに適合しており、量子可観測物の有効範囲外の予測が得られる。 本研究では、ゼロノイズ推定を明示的にパラメータ化し、最適化中に制約することにより、多項式、指数関数、多項式-指数外挿モデルの物理的有界変種を導入する。 我々は,IBMの量子バックエンドから生成した現実的なデバイスノイズモデルに基づいて,180,000の回路と約360万のZNE実験からなる大規模合成ベンチマークを用いて,アプローチを評価する。 また、GHZおよびW状態回路を用いた実量子ハードウェアの予備検証を行う。 合成ベンチマーク全体において、有界外挿法は非物理的予測を大幅に減らし、指数指数型と多項式指数型モデルの安定性を向上させるが、多項式モデルは有界と非有界の変種間の差はほとんど示さない。 ハードウェア実験も同様の質的な振る舞いを示す: 有界モデルは通常、病理的外挿を回避し、しばしば精度と使用可能なカバレッジのより信頼性の高いバランスを与える。 同時に、この結果は、予測されるより強いノイズ効果や、シミュレーションモデルで完全に捉えられない可変性など、現在のデバイスの実用的限界を強調している。 これらの結果は、外挿時の物理的制約を強制することでZNEの信頼性が向上し、このアプローチを最小限の修正で既存のワークフローに組み込むことができることを示唆している。

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)
• Limitations of Error Model Approximations in Quantum Network Simulation [0.13999481573773073]
  Pauli twirling や reset channel のような単純なエラーモデルが,プロトコルの性能予測において重大な相違をもたらすことを示す。 その結果、将来の量子技術における運用しきい値の正確な予測には、完全なノイズアーキテクチャの厳密な検証が不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-07-01T14:35:26Z)
• Experimental demonstration of the absence of noise-induced barren plateaus using information content landscape analysis [1.3066182802188202]
  変分量子アルゴリズムは、短期量子コンピューティングにとって有望なツールである。 しかし、その性能はバレン高原(NIBP)によって制限されている。 NIBPは、回路構造に依存しないノイズの蓄積によって発生すると予測される。
  論文  参考訳（メタデータ） (2026-02-26T10:38:53Z)
• 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)
• 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)
• Error mitigation with stabilized noise in superconducting quantum processors [2.2752198833969315]
  我々は,量子ビット-TLS相互作用のチューニングが雑音不安定を低減し,より信頼性の高い誤り軽減性能を実現することを実験的に実証した。 ここで導入された機能は、非自明なスケールのソリッドステートプロセッサ上での量子アプリケーションの探索に不可欠であると期待する。
  論文  参考訳（メタデータ） (2024-07-02T17:47:07Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Using Uncertainty Quantification to Characterize and Improve Out-of-Domain Learning for PDEs [44.890946409769924]
  ニューラル演算子(NO)は特に有望な量子化として出現している。 本研究では,複数のNOをアンサンブルすることで,高いエラー領域を同定し,不確実性の高い推定を行うことができることを示す。 次に、ProbConservフレームワーク内でこれらのよく校正されたUQ推定を使ってモデルを更新するOperator-ProbConservを紹介します。
  論文  参考訳（メタデータ） (2024-03-15T19:21:27Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Divergence Frontiers for Generative Models: Sample Complexity, Quantization Level, and Frontier Integral [58.434753643798224]
  多様性フロンティアは生成モデルの評価フレームワークとして提案されている。 分岐フロンティアのプラグイン推定器のサンプル複雑性の非漸近的境界を確立する。 また,スムーズな分布推定器の統計的性能を調べることにより,分散フロンティアの枠組みも強化する。
  論文  参考訳（メタデータ） (2021-06-15T06:26:25Z)
• Multi-exponential Error Extrapolation and Combining Error Mitigation Techniques for NISQ Applications [0.0]
  量子ハードウェアにおけるノイズは、量子コンピュータの実装における最大の障害である。 誤り補間は、実験的に実装された誤り軽減手法である。 我々はこれを多重指数誤差外挿に拡張し、パウリ雑音下での有効性のより厳密な証明を提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:18:47Z)
• 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。