論文の概要: Tensor network characterization and mitigation of readout errors

• arxiv url: http://arxiv.org/abs/2606.25974v1
• Date: Wed, 24 Jun 2026 15:45:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.388358
• Title: Tensor network characterization and mitigation of readout errors
• Title（参考訳）: テンソルネットワークによる読み出し誤差の軽減
• Abstract要約: 読み取りエラーは、短期量子プロセッサから信頼できる情報を抽出する上で大きなボトルネックとなる。 本稿では,読み出し過程を行列積演算子(MPO)としてモデル化する統合テンソルネットワークフレームワークを提案する。 超伝導プロセッサの実験と最大20キュービットの数値シミュレーションにより、MPOモデルは非相関モデルが見逃す相関した読み出し誤差をキャプチャすることを示した。
• 参考スコア（独自算出の注目度）: 16.364682124857485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Readout errors are a major bottleneck to extracting reliable information from near-term quantum processors, especially when spatial correlations are non-negligible. We present a unified tensor-network framework that models the readout process as a matrix product operator (MPO), enabling efficient characterization and mitigation beyond uncorrelated approximations. The MPO model is trained via likelihood optimization on calibration data and applies to multiple tasks, including nonlocal observable estimation, random circuit sampling, and random-measurement protocols, such as classical shadows and learning-based tomography. Experiments on a superconducting processor and numerical simulations up to 20 qubits show that the MPO model captures correlated readout errors that uncorrelated models miss, with a sample cost that grows only near-linearly with system size. When extended to two-dimensional systems, the framework can also be integrated with tensor-network quantum error-correction decoders by performing joint inference over data and readout errors. These results establish tensor-network readout error mitigation as a scalable and versatile approach for noise-aware quantum data processing.
• Abstract（参考訳）: 読み取りエラーは、特に空間相関が無視できない場合、短期量子プロセッサから信頼できる情報を抽出する主要なボトルネックである。 本稿では,読み出し処理を行列積演算子 (MPO) としてモデル化する統合テンソルネットワークフレームワークを提案する。 MPOモデルは、キャリブレーションデータに対する可能性最適化によって訓練され、非局所可観測推定、ランダム回路サンプリング、古典的な影や学習に基づくトモグラフィなどのランダム測定プロトコルを含む複数のタスクに適用される。 超伝導プロセッサの実験と最大20キュービットの数値シミュレーションにより、MPOモデルは、非相関モデルが見逃す相関した読み出し誤差を、システムサイズとほぼ直線的にしか成長しないサンプルコストでキャプチャすることを示した。 2次元システムに拡張すると、このフレームワークはテンソルネットワークの量子誤り訂正デコーダと統合することもできる。 これらの結果は、ノイズ対応量子データ処理のためのスケーラブルで汎用的なアプローチとして、テンソル・ネットワーク・リードアウト誤差軽減を確立している。

関連論文リスト

• PAC-Bayesian Bounds for Learning Partially Observed Stochastic Linear Time-Invariant State-Space Systems with Inputs and Sub-Gaussian Noise [1.551190544492585]
  入力と準ガウス雑音を伴う状態空間における部分観測線形時間不変(LTI)力学系に対して,PAC-ベイジアン誤差を導出する。 このような境界は機械学習に広く浸透しており、有限個のデータポイントから学習したモデルの予測力を特徴づけるのに有用である。
  論文  参考訳（メタデータ） (2026-09-08T13:32:20Z)
• 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)
• Scalable linearized gate set tomography [1.954453462818087]
  線形化ゲートセットトモグラフィーはスパース誤差モデル、効率的なデータフィッティングを可能にする線形近似、浅い回路からのデータに依存している。 我々は,コヒーレントなクロストークを含むコヒーレントな誤差を持つ10ビット系のシミュレーションを用いて,本手法の精度を示す。
  論文  参考訳（メタデータ） (2026-05-11T19:06:10Z)
• Large-scale Lindblad learning from time-series data [0.1749935196721634]
  本研究では,時間に依存しないLindbladモデルを量子コンピュータに繰り返し適用可能なプロトコルを開発した。 我々は、156量子ビット超伝導量子プロセッサ上の全ゲート層に対するリンドブラディアンの学習によるアプローチを実証する。
  論文  参考訳（メタデータ） (2025-12-09T01:50:14Z)
• Mitigation of correlated readout errors without randomized measurements [0.0]
  単一キュービットパウリ測定のみを用いた読み出し誤り軽減プロトコルを提案する。 提案手法は、非常に広い種類の相関ノイズモデルを取得する。 これは、数量子の相関した正の作用素値測定の完全かつ効率的な評価に基づいている。
  論文  参考訳（メタデータ） (2025-03-31T16:21:45Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• QGait: Toward Accurate Quantization for Gait Recognition with Binarized Input [17.017127559393398]
  バックプロパゲーション時の円関数の勾配をよりよくシミュレートする,微分可能なソフト量子化器を提案する。 これにより、ネットワークは微妙な入力摂動から学習することができる。 量子化エラーをシミュレートしながら収束を確保するためのトレーニング戦略をさらに洗練する。
  論文  参考訳（メタデータ） (2024-05-22T17:34:18Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Witnessing entanglement in trapped-ion quantum error correction under realistic noise [41.94295877935867]
  量子誤り補正(Quantum Error Correction, QEC)は、論理情報を複数の物理量子ビットに符号化することで冗長性を利用する。 トラップイオンプラットフォームで使用される2量子光シフトゲートの平均ゲート不忠実度を推定するために,詳細な顕微鏡誤差モデルを提案する。 次に、この現実的な誤差モデルを適用し、QECビルディングブロックとして機能する回路によって生成されるマルチパーティントの絡み合いを定量化する。
  論文  参考訳（メタデータ） (2022-12-14T20:00:36Z)
• ClusterQ: Semantic Feature Distribution Alignment for Data-Free Quantization [111.12063632743013]
  本稿では,ClusterQと呼ばれるデータフリーな量子化手法を提案する。 意味的特徴のクラス間分離性を高めるために,特徴分布統計をクラスタ化し,整列する。 また、クラス内分散を組み込んで、クラスワイドモードの崩壊を解決する。
  論文  参考訳（メタデータ） (2022-04-30T06:58:56Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)

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。