論文の概要: From Characterization To Construction: Generative Quantum Circuit Synthesis from Gate Set Tomography Data

• arxiv url: http://arxiv.org/abs/2605.01367v1
• Date: Sat, 02 May 2026 10:25:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.732519
• Title: From Characterization To Construction: Generative Quantum Circuit Synthesis from Gate Set Tomography Data
• Title（参考訳）: キャラクタリゼーションから構築へ:ゲートセットトモグラフィーデータによる量子回路生成
• Authors: King Yiu Yu, Aritra Sarkar, Erbing Hua, Maximilian Rimbach-Russ, Ryoichi Ishihara, Sebastian Feld,
• Abstract要約: 本稿ではゲートセットトモグラフィーデータから生成量子回路を合成するための量子機械学習制御フレームワークを提案する。 生成概念空間はGSTデータから直接学習され、所望の出力分布上の量子回路の条件合成を可能にする。 このエンドツーエンドフレームワークは、生のGSTデータから直接、コンテキスト対応のハードウェアネイティブな回路合成に向けたステップである。
• 参考スコア（独自算出の注目度）: 0.6326710848102507
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High-fidelity circuit execution on noisy intermediate-scale quantum devices is bottlenecked by compilation pipelines that disregard complex, correlated noise. To address this, this methodology article proposes a quantum machine learning control (QMLC) framework for generative quantum circuit synthesis from gate-set tomography (GST) data that bypasses the traditional two-step pipeline of characterizing native quantum gates via GST followed by unitary decomposition algorithms. Instead, a generative concept space is directly learnt from GST data, enabling conditional synthesis of quantum circuits on a desired output distribution. Our approach tokenizes GST germ circuits and embeds them into a structured latent space using a curriculum-learning-motivated strategy, starting with short circuits and progressively incorporating longer ones with diverse output statistics. The embedded sequences are processed by a set-vision transformer with permutation-invariant pooling, producing k-seed vectors that represent the learned concept space of the quantum device. Aggregating data across multiple circuits makes this latent representation inherently context-aware, capturing the shared physical noise environment (e.g., crosstalk, drift) that isolated gate metrics miss. We propose an unconditional diffusion model to sample from the concept space. During inference, a user provides a target measurement distribution, and the model generates a corresponding circuit. To ensure fidelity and robustness, the output is denoised using a diffusion model that operates on the target conditional covariance matrix. This end-to-end framework is a step towards context-aware, hardware-native circuit synthesis directly from raw GST data, which offers a new paradigm for integrating quantum control and compilation. The QMLC framework is particularly suited for near-term quantum devices with complex calibration procedures.
• Abstract（参考訳）: ノイズの多い中間スケール量子デバイス上での高忠実回路の実行は、複雑な相関ノイズを無視したコンパイルパイプラインによってボトルネックとなる。 本稿では,ゲートセットトモグラフィー(GST)データから生成する量子回路合成のための量子機械学習制御(QMLC)フレームワークを提案する。 代わりに、生成概念空間はGSTデータから直接学習され、所望の出力分布上の量子回路の条件合成を可能にする。 提案手法は,GSTガーム回路をトークン化し,カリキュラムを動機づけた戦略を用いて構造化潜在空間に埋め込み,短い回路から始まり,より長い回路を多様な出力統計に徐々に組み込む。 組込みシーケンスは、置換不変のプールを持つセットビジョン変換器で処理され、量子デバイスの学習概念空間を表すkシードベクトルを生成する。 複数の回路にまたがるデータの集約は、この潜伏表現を本質的にコンテキスト認識し、孤立したゲートメトリクスが見逃す共有物理ノイズ環境(例えば、クロストーク、ドリフト)をキャプチャする。 概念空間からサンプルを採取するための無条件拡散モデルを提案する。 推論中、ユーザは目標測定分布を提供し、モデルが対応する回路を生成する。 忠実度とロバスト性を確保するため、目標条件共分散行列上で動作する拡散モデルを用いて出力を復調する。 このエンドツーエンドフレームワークは、生のGSTデータから直接コンテキスト対応のハードウェアネイティブな回路合成へのステップであり、量子制御とコンパイルを統合するための新しいパラダイムを提供する。 QMLCフレームワークは、特に複雑なキャリブレーション手順を持つ短期量子デバイスに適している。

関連論文リスト

• Design and Optimization of Adaptive Diversity Schemes in Quantum MIMO Channels [45.812053169933705]
  本研究では、送信機における普遍的非対称クローニングと受信機における確率的浄化に基づく離散変数QuMIMOシステムの適応的多様性戦略について検討する。 その結果,提案手法はクロストークに支配された設定において有意な忠実性向上をもたらし,チャネル対称性やチャネル条件に自動的に適応することがわかった。 この研究は、将来のQuMIMOシステムの設計ガイドラインを提供し、より高度な伝送および復号戦略のための堅牢なベースラインを確立する。
  論文  参考訳（メタデータ） (2025-11-19T15:58:10Z)
• Accelerating Transpilation in Quantum Machine Learning with Haiqu's Rivet-transpiler [45.88028371034407]
  我々は、以前にトランスパイルされた回路を再利用してトランスパイラを高速化するリベットトランスパイラを開発した。 量子層学習において,600%のトランスパイル時間の改善を実証した。
  論文  参考訳（メタデータ） (2025-08-29T06:00:29Z)
• Context-aware gate set tomography: Improving the self-consistent characterization of trapped-ion universal gate sets by leveraging non-Markovianity [45.88028371034407]
  ゲートセットトモグラフィ(GST)は、ノイズの多い量子ゲート、状態準備、測定の完全なセットを推定する。 当初、GSTはゲートを順次適用することで推定精度を向上させる。 ゲートセットのパラメトリゼーションにコンテキスト依存を組み込むことで, GSTのサンプリングコストを低減できることを示す。
  論文  参考訳（メタデータ） (2025-07-03T11:37:36Z)
• Synthesis of discrete-continuous quantum circuits with multimodal diffusion models [0.5277756703318045]
  量子演算の効率的なコンパイルは、量子コンピューティングのスケーリングにおいて依然として大きなボトルネックとなっている。 対象ユニタリをコンパイルするための回路構造とその連続パラメータを同時に生成するマルチモーダルデノナイジング拡散モデルを提案する。 我々は、異なる実験でモデルをベンチマークし、様々なキュービット数、回路深さ、パラメータ化ゲートの比率にまたがる手法の精度を分析した。
  論文  参考訳（メタデータ） (2025-06-02T13:35:33Z)
• KetGPT -- Dataset Augmentation of Quantum Circuits using Transformers [1.236829197968612]
  量子回路として表現される量子アルゴリズムは、量子システムの性能を評価するためのベンチマークとして用いられる。 しかしランダム回路は、実際の量子アルゴリズム固有の性質を欠いているため、代表的なベンチマークではない。 この研究は、我々が「リアルに見える」回路と呼ぶものを生成することによって、既存の量子回路データセットを強化することを目的としている。
  論文  参考訳（メタデータ） (2024-02-20T20:02:21Z)
• Universal qudit gate synthesis for transmons [44.22241766275732]
  超伝導量子プロセッサを設計する。 本稿では,2量子共振共振ゲートを備えたユニバーサルゲートセットを提案する。 ノイズの多い量子ハードウェアのための$rm SU(16)$ゲートの合成を数値的に実証する。
  論文  参考訳（メタデータ） (2022-12-08T18:59:53Z)
• Protocols for Trainable and Differentiable Quantum Generative Modelling [21.24186888129542]
  微分可能量子回路(DQC)としての確率分布の学習手法を提案する。 我々はDQCベースのモデルのトレーニングを行い、そこでデータは位相特徴写像で潜在空間にエンコードされ、次に変動量子回路が続く。 これにより、シングルショットの読み出しを使ってパラメタライズドディストリビューションからの高速サンプリングが可能になる。
  論文  参考訳（メタデータ） (2022-02-16T18:55:48Z)
• Composably secure data processing for Gaussian-modulated continuous variable quantum key distribution [58.720142291102135]
  連続可変量子鍵分布(QKD)は、ボソニックモードの二次構造を用いて、2つのリモートパーティ間の秘密鍵を確立する。 構成可能な有限サイズセキュリティの一般的な設定におけるホモダイン検出プロトコルについて検討する。 特に、ハイレート(非バイナリ)の低密度パリティチェックコードを使用する必要のあるハイシグネチャ・ツー・ノイズ・システマを解析する。
  論文  参考訳（メタデータ） (2021-03-30T18:02:55Z)

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。