論文の概要: Physics-Informed Learning of Effective Error Processes from Limited Noisy Transmon Measurements for Robust QAOA Reliability

• arxiv url: http://arxiv.org/abs/2606.00353v1
• Date: Fri, 29 May 2026 20:58:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.30932
• Title: Physics-Informed Learning of Effective Error Processes from Limited Noisy Transmon Measurements for Robust QAOA Reliability
• Title（参考訳）: ロバストQAOA信頼性のための有限ノイズトランスモン測定による有効誤差過程の物理インフォームド学習
• Abstract要約: 有限ショット計測から有効な量子誤り過程を学習するための物理インフォームドパイプラインを提案する。 学習された表現はコンパクトな有効モデルである: 各キュービットに対する局所アフィンブロッホチャネル、および3キュービット拡張において、相関エラーをキャプチャするペアワイズ残差である。 結果は、より信頼性の高い変動量子アルゴリズムへのハードウェア対応ルートとして、効果的なエラー処理学習をサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a physics-informed pipeline for learning effective quantum error processes from finite-shot measurements generated by hidden transmon-like simulators. Each physical transmon is modeled as an imperfect qutrit, while the learner only receives limited tomography data rather than microscopic Hamiltonian parameters. The learned representations are compact effective models: local affine Bloch channels for each qubit and, in the three-qubit extension, pairwise residuals that capture correlated errors. The learned error models are evaluated operationally by their ability to mitigate the cost landscape of the Quantum Approximate Optimization Algorithm (QAOA) for MaxCut. A two-qubit proof of concept shows that a neural-network approach can infer a full 24-parameter effective channel from only 12 local tomography values and improve QAOA landscape reliability by about $20.4\times$. A scaled three-qubit study shows that local structured learning still strongly improves QAOA reliability: at $K=18$ local measurements, Ridge regression and the neural-network approach reduce QAOA mean absolute error from about $0.1775$ to $0.0269$ and $0.0306$, respectively. Pair probes substantially improve correlated-error identifiability, reducing pair-residual L2 error from about $1.731$ to $1.122$. These results support effective error-process learning as a hardware-aware route toward more reliable variational quantum algorithms.
• Abstract（参考訳）: 隠れたトランスモン様シミュレータによって生成された有限ショット計測から有効な量子誤り過程を学習するための物理インフォームドパイプラインを提案する。 各物理トランスモンは不完全なクォートとしてモデル化され、学習者は顕微鏡的ハミルトンパラメータではなく、限られたトモグラフィーデータのみを受信する。 学習された表現はコンパクトな有効モデルである: 各キュービットに対する局所アフィンブロッホチャネル、および3キュービット拡張において、相関エラーをキャプチャするペアワイズ残差である。 学習したエラーモデルは、MaxCutの量子近似最適化アルゴリズム(QAOA)のコストランドスケープを緩和する能力によって、運用的に評価される。 2量子ビットの概念実証は、ニューラルネットワークアプローチが局所トモグラフィー値のわずか12から24パラメータの完全な有効チャネルを推論し、QAOAランドスケープの信頼性を約20.4\times$で改善できることを示している。 局所的な構造化学習は、QAOAの信頼性を依然として強く改善していることを示している:$K=18$ローカル測定、リッジ回帰とニューラルネットアプローチにより、QAOAの平均絶対誤差は、それぞれ0.1775$から0.0269$と0.0306$に減少する。 ペアプローブは相関エラー識別可能性を大幅に改善し、ペア残留L2エラーを約1.731ドルから1.122ドルに削減する。 これらの結果は、より信頼性の高い変分量子アルゴリズムへのハードウェア対応ルートとして、効果的なエラー処理学習を支援する。

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)
• Multi-Stage Mamba-Based Architecture for Fast and Scalable Superconducting Qubit Readout [2.7180447022087932]
  超伝導量子プロセッサでは、リードアウト演算はエラーを起こしやすく、高レイテンシである。 Mambaモデルに基づく多段量子状態判別器を提案する。 本モデルでは, 平均読み出し精度が0.906であり, 最良報告の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-07-13T15:12:07Z)
• Differentiable Maximum Likelihood Noise Estimation for Quantum Error Correction [3.1257175823346905]
  我々は, 正確な, 効率的, かつ, 完全微分可能な症候群の最大値を可能にする, 識別可能な類似度推定フレームワークを導入する。 提案手法は, シンドロームの確率を直接最大化することにより, 証明可能なデコーダ非依存誤差を導出する。
  論文  参考訳（メタデータ） (2026-02-23T11:20:23Z)
• Improved Convergence in Parameter-Agnostic Error Feedback through Momentum [49.163769734936295]
  本研究では、EFと正規化更新、様々な運動量変動、パラメータに依存しない時変ステップサイズを組み合わせた正規化エラーフィードバックアルゴリズムについて検討する。 我々の結果は、ステップサイズと小さなミニバッチの減少に繋がる。
  論文  参考訳（メタデータ） (2025-11-18T13:47:08Z)
• FFT-Accelerated Auxiliary Variable MCMC for Fermionic Lattice Models: A Determinant-Free Approach with $O(N\log N)$ Complexity [52.3171766248012]
  量子多体系のシミュレーションを劇的に高速化するマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを導入する。 我々は,量子物理学のベンチマーク問題に対するアルゴリズムの有効性を検証し,既知の理論結果を正確に再現する。 我々の研究は、大規模確率的推論のための強力なツールを提供し、物理学に着想を得た生成モデルのための道を開く。
  論文  参考訳（メタデータ） (2025-10-13T07:57:21Z)
• Augmenting Hessians with Inter-Layer Dependencies for Mixed-Precision Post-Training Quantization [7.392278887917975]
  本稿では,ネットワーク上のテンソルに異なる数値精度を割り当てる混合精度ポストトレーニング量子化手法を提案する。 実験では,16ビットベースラインの25.48%$,21.69%$,33.28%$に対して,レイテンシの低減を実証した。
  論文  参考訳（メタデータ） (2023-06-08T02:18:58Z)
• ApproxABFT: Approximate Algorithm-Based Fault Tolerance for Neural Network Processing [7.578258600530223]
  アルゴリズムに基づく耐障害性(ABFT)機構は信頼性向上のための有望なソリューションとなっている。 本稿では,適応的エラー許容しきい値を導入し,選択的障害回復を実現するための近似ABFTフレームワークを提案する。 提案した ApproxABFT は,従来の ABFT よりも43.39% の冗長計算オーバーヘッド削減を実現している。
  論文  参考訳（メタデータ） (2023-02-21T06:21:28Z)
• Mixed Precision Post Training Quantization of Neural Networks with Sensitivity Guided Search [7.392278887917975]
  混合精度量子化により、異なるテンソルを様々な数値精度のレベルに量子化することができる。 我々は,コンピュータビジョンと自然言語処理の手法を評価し,最大27.59%,34.31%のレイテンシ低減を実証した。
  論文  参考訳（メタデータ） (2023-02-02T19:30:00Z)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Mixed Precision of Quantization of Transformer Language Models for Speech Recognition [67.95996816744251]
  トランスフォーマーが表現する最先端のニューラルネットワークモデルは、実用アプリケーションにとってますます複雑で高価なものになりつつある。 現在の低ビット量子化法は、均一な精度に基づいており、量子化エラーに対するシステムの異なる部分での様々な性能感度を考慮できない。 最適局所精度設定は2つの手法を用いて自動的に学習される。 Penn Treebank (PTB)とSwitchboard corpusによるLF-MMI TDNNシステムの試験を行った。
  論文  参考訳（メタデータ） (2021-11-29T09:57:00Z)
• Machine Learning for Continuous Quantum Error Correction on Superconducting Qubits [1.8249709209063887]
  連続的な量子誤差補正は離散的な量子誤差補正に対して一定の利点があることがわかった。 本稿では,繰り返しニューラルネットワークを用いた連続量子誤り訂正のための機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-10-20T05:13:37Z)
• Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
  暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。 彼らは不利な姿勢と収束の不安定さに悩まされる。 本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
  論文  参考訳（メタデータ） (2021-06-06T18:05:02Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。