論文の概要: Quantum Tunneling-Aware Machine Learning: Physics-Derived Noise Models for Robust Deployment
- arxiv url: http://arxiv.org/abs/2606.00741v1
- Date: Sat, 30 May 2026 14:21:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.683902
- Title: Quantum Tunneling-Aware Machine Learning: Physics-Derived Noise Models for Robust Deployment
- Title（参考訳）: 量子トンネル対応機械学習:ロバスト展開のための物理微分ノイズモデル
- Abstract要約: 量子トンネル対応機械学習(QTAML)を紹介する。
We derived the deployment-time weight-error distribution from first principles using the Wentzel-Kramers-Brillouin (WKB) approximation。
我々は,これらの構造特性を単一配置時アルゴリズムであるTunning-Aware Compensation (TAC) にパッケージ化し,閉形式平均補正と最適層予算配分を組み合わせた。
- 参考スコア（独自算出の注目度）: 5.373588450790602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transistor scaling is approaching a quantum-mechanical limit, as thin gate oxides induce electron leakage through quantum tunneling. Unlike conventional digital systems, AI inference can tolerate such errors provided their structure is modeled correctly. In this paper, we introduce quantum tunneling-aware machine learning (QTAML). We derive the deployment-time weight-error distribution from first principles using the Wentzel-Kramers-Brillouin (WKB) approximation and show that it has structure that generic Gaussian noise models miss: an exact affine mean drift, a per-bit variance hierarchy dominated by the most-significant bit, and a per-layer dependence on $\|W_\ell\|_\infty$ and the trained-network Jacobian. We package these three structural properties into a single deployment-time algorithm, Tunneling-Aware Compensation (TAC), that combines closed-form mean correction with an optimal layer-adaptive bit-budget allocation derived from the WKB variance decomposition. Across four convolutional architectures at $p_\mathrm{flip}$=0.10 and a transformer encoder at $p_\mathrm{flip}$=0.05, TAC reaches $95\%$ of clean accuracy with 3.4$\times$ to 33.6$\times$ less ECC overhead than Uniform-MSP, the natural baseline derived from the same physics. The closed-form saturation ratio $ρ^*$ predicts these gains in advance, and on heterogeneous architectures WKB-derived scoring outperforms magnitude-based allocation by up to 24 percentage points at small budgets. The algorithm requires no retraining, no labels, and no inference-time overhead. We also verify the WKB-derived distributional theorems to Monte Carlo precision. These results connect WKB tunneling physics with noise-aware deep learning and suggest a principled path toward hardware--software co-design beyond conventional scaling limits.
- Abstract（参考訳）: トランジスタスケーリングは、薄いゲート酸化物が量子トンネルを通して電子漏れを引き起こすため、量子力学の限界に近づいている。
従来のデジタルシステムとは異なり、AI推論は構造が正しくモデル化されている場合、そのようなエラーを許容することができる。
本稿では量子トンネル対応機械学習(QTAML)を紹介する。
WKB(Wentzel-Kramers-Brillouin)近似を用いた第一原理から展開時ウェイトエラー分布を導出し、一般ガウス雑音モデルが見逃す構造であることを示す: 正確なアフィン平均ドリフト、最も重要なビットに支配されるビットごとの分散階層、および$\|W_\ell\|_\infty$とトレーニングされたネットワークジャコビアン。
我々は,これら3つの構造特性を,WKB分散分解から導出される最適層適応ビット予算割当と閉形式平均補正を組み合わせた単一展開時間アルゴリズムであるTunning-Aware Compensation (TAC)にパッケージ化する。
p_\mathrm{flip}$=0.10の4つの畳み込みアーキテクチャと、$p_\mathrm{flip}$=0.05のトランスフォーマーエンコーダでは、TACは3.4$\times$から33.6$\times$のクリーンな精度で9,5\%に達する。
閉形式飽和比$ρ^*$は、これらの利得を事前に予測し、不均一なアーキテクチャでは、WKB由来のスコアリングスコアは、小さな予算で最大24ポイントのスケールベースアロケーションよりも優れる。
アルゴリズムは再トレーニングもラベルも推論時のオーバーヘッドも不要である。
また、WKB由来の分布定理をモンテカルロ精度に検証する。
これらの結果は、WKBトンネル物理とノイズ対応深層学習を結びつけ、従来のスケーリング限界を超えたハードウェア-ソフトウェア共設計への原則的な道のりを示唆している。
関連論文リスト
- Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。
本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。
我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$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) - Normalized Architectures are Natively 4-Bit [49.13186675123547]
重みと隠れ表現を単位超球面に制限するアーキテクチャであるnGPTは、本質的に低精度算術よりも堅牢である。
本手法は,最大3B/30Bパラメータの1.2B密度モデルとハイブリッド(Mamba-Transformer)MoEモデルの両方で検証する。
論文 参考訳（メタデータ） (2026-05-07T11:54:07Z) - Fixed-Reservoir vs Variational Quantum Architectures for Chaotic Dynamics: Benchmarking QRC and QPINN on the Lorenz System [0.14323566945483496]
ロレンツ系におけるカオス時系列予測のための2つの量子的アプローチを比較する。
本研究では,QRCパイプライン内の時間的ウィンドウ化手法を定式化し,アトラクタ再構成を改善する。
以上の結果から, 固定貯留層構造がQRCの優位性の主要な要因であることが示唆された。
論文 参考訳（メタデータ） (2026-04-26T14:43:03Z) - Fault-tolerant simulation of the electronic structure using Projector Augmented-Waves and Bloch orbitals [43.936586633107396]
本稿では、Bloch-orbital $k$-space構造とユニタリプロジェクタ拡張波増幅を組み合わせたBloch--UPAWフレームワークを提案する。
量子化に適した線形コンビネーション・オブ・ユニタリ分解回路とブロック符号化回路を導出する。
漸近的に、Toffoliのコストは$k$-meshの精製時に$mathcalO(N_k3)$、スーパーセルの拡張時に$mathcalO(N_a3.5)$とスケールする。
論文 参考訳（メタデータ） (2026-04-13T23:46:58Z) - Exploiting Function-Family Structure in Analog Circuit Optimization [22.334314861424943]
オフザシェルフのガウス過程のサロゲートは、これらのシステミックスイッチングプリミティブと不一致の、全世界的にスムーズで定常的な優先順位を課す。
これらのプリミティブを符号化した事前学習モデルでは、回路単位のエンジニアリングを使わずに信頼性の高い最適化が可能であることを実証する。
論文 参考訳（メタデータ） (2025-11-30T03:21:13Z) - Noise-Adaptive Quantum Circuit Mapping for Multi-Chip NISQ Systems via Deep Reinforcement Learning [0.0]
本稿では,双方向長短期記憶に基づく動的雑音適応ネットワークを統合した深層強化学習フレームワークDeepQMapを提案する。
本手法は,量子系の動作の時間的表現を学習することで,ハードウェアのダイナミクスに継続的に適応する。
DeepQMapは平均回路忠実度が0.920 pm 0.023$であり、最先端のQUBO法よりも統計的に49.3%向上している。
論文 参考訳（メタデータ） (2025-11-22T14:27:55Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - 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) - Physics-Informed Graph Neural Networks for Transverse Momentum Estimation in CMS Trigger Systems [0.0]
高エネルギー物理におけるリアルタイム粒子横運動量(p_T$)推定は、厳密なハードウェア制約の下で効率的なアルゴリズムを要求する。
本稿では,物理インフォームドグラフニューラルネットワーク(GNN)フレームワークを提案する。
我々の共同設計手法は、既存のベースラインに比べて精度と効率のトレードオフが優れている。
論文 参考訳（メタデータ） (2025-07-25T12:19:57Z) - Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。
3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
論文 参考訳（メタデータ） (2021-08-03T17:49:09Z) - Learning Halfspaces with Tsybakov Noise [50.659479930171585]
テュバコフ雑音の存在下でのハーフスペースの学習可能性について検討する。
真半空間に関して誤分類誤差$epsilon$を達成するアルゴリズムを与える。
論文 参考訳（メタデータ） (2020-06-11T14:25:02Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。