論文の概要: Pauli Weight Hamiltonian Term Selection for Optimized Machine Learning Based Quantum Error Mitigation

• arxiv url: http://arxiv.org/abs/2606.31195v1
• Date: Tue, 30 Jun 2026 06:24:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 15:58:44.07956
• Title: Pauli Weight Hamiltonian Term Selection for Optimized Machine Learning Based Quantum Error Mitigation
• Title（参考訳）: 最適機械学習に基づく量子エラー除去のためのパウリ重ハミルトン項の選択
• Abstract要約: パウリ重みの事前知識による量子エラー緩和(パウリ重み量子エラー緩和(Pi-QEM)) パラメータ化量子回路におけるばらつきと局所性の関係を利用して、Pi-QEMは支配的で低重量のパウリ弦の小さな部分集合を訓練する。 ノイズの多いIBM量子バックエンド上の分子系の数値シミュレーションにおいて、Pi-QEMは1つの支配的な局所観測値を使用して、基底状態のエネルギー推定誤差を最大34.01%削減する。
• 参考スコア（独自算出の注目度）: 0.03608221777510314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning provides a scalable solution for quantum error mitigation. However, the selection of appropriate Pauli strings for inclusion in training data remains a challenge. Current methods rely on heuristic or uniform random sampling, requiring data for every Pauli string in the Hamiltonian, a process that scales linearly with measurements and grows with system size. To address this, we introduce quantum error mitigation with prior knowledge of Pauli weights (Pauli weight quantum error mitigation (Pi-QEM)), a systematic framework that selects training observables based on Pauli weight. By leveraging the relationship between variance and locality in parameterized quantum circuits, Pi-QEM trains on a small subset of dominant, low-weight Pauli strings. In numerical simulations of molecular systems on a noisy IBM quantum backend, Pi-QEM reduces ground-state energy estimation error by up to 34.01% using just a single dominant local observable, offering an efficient, scalable pathway for high-precision error mitigation on NISQ devices.
• Abstract（参考訳）: 機械学習は、量子エラー軽減のためのスケーラブルなソリューションを提供する。 しかしながら、トレーニングデータに含めるための適切なPauli文字列の選択は、依然として課題である。 現在の手法はヒューリスティックあるいは均一なランダムサンプリングに依存しており、ハミルトニアンにおける全てのパウリ弦のデータを必要とする。 この問題を解決するために,パウリ重みの事前知識(Pi-QEM)を取り入れた量子誤差軽減手法を提案する。 パラメータ化量子回路におけるばらつきと局所性の関係を利用して、Pi-QEMは支配的で低重量のパウリ弦の小さな部分集合を訓練する。 ノイズの多いIBM量子バックエンド上の分子系の数値シミュレーションにおいて、Pi-QEMは1つの支配的な局所観測装置を使用して地上状態のエネルギー推定誤差を最大34.01%削減し、NISQデバイス上で高精度なエラー軽減のための効率的でスケーラブルな経路を提供する。

関連論文リスト

• Machine Learning Framework for Efficient Prediction of Quantum Wasserstein Distance [4.181752542660445]
  量子W距離を効率的に予測する機械学習フレームワークを提案する。 私たちのアプローチでは、古典的なニューラルネットワークと従来の機械学習モデルの両方を採用しています。 その結果、W距離計算の従来の数値計算法に代わる、機械学習を実用的でスケーラブルな代替手段として確立した。
  論文  参考訳（メタデータ） (2025-11-16T04:07:13Z)
• Efficient Measurement Error Mitigation with Subsystem-Balanced Pauli Twirling [3.0919095220959996]
  モデルフリー測定誤差軽減(MEM)は、信頼性の高い量子計算を実現する上で不可欠である。 本稿では,サブシステムにおけるパウリ演算子バランスを強制し,測定ノイズを選択的に抑制するサブシステムバランス付きパウリツイリング(SB-PT)を提案する。 この研究は、短期量子デバイスにおける高忠実度測定への資源フルーガルで実験的に実現可能な経路を提供する。
  論文  参考訳（メタデータ） (2025-09-22T00:39:32Z)
• 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)
• Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
  量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。 既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。 我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
  論文  参考訳（メタデータ） (2025-07-09T15:22:17Z)
• Reducing the sampling complexity of energy estimation in quantum many-body systems using empirical variance information [45.18582668677648]
  パウリ分解において、与えられたハミルトニアンに対する量子状態準備のエネルギーを推定する問題を考える。 状態の実際の分散を用いた適応推定器を構築する。
  論文  参考訳（メタデータ） (2025-02-03T19:00:01Z)
• Noise-Mitigated Variational Quantum Eigensolver with Pre-training and Zero-Noise Extrapolation [3.205475178870021]
  雑音環境下での分子基底状態エネルギーの正確な計算に有効なノイズ緩和型変分量子固有解器を開発した。 我々は、ゼロノイズ外挿を用いて量子ノイズを緩和し、ニューラルネットワークと組み合わせ、ノイズ適合機能の精度を向上させる。 その結果,本アルゴリズムは,主成分の変分量子固有解器よりも高い精度で,$mathcalO(10-2) sim MathcalO(10-1)$の範囲内でノイズ誤差を抑えることができることがわかった。
  論文  参考訳（メタデータ） (2025-01-03T05:34:36Z)
• Reducing Depth and Measurement Weights in Pauli-based Computation [0.0]
  パウリベースの計算(英: Pauli-based calculation, PBC)は、マジック状態量子ビット上の独立かつ互換のパウリ測度の適応シーケンスによって導かれる、普遍的な測定に基づく量子計算モデルである。 本稿では,パウリ測度とそれに関連するテクスクリットの複雑さを減少させる新しい方法を提案する。 また、このモデルの計算深度を下げる方法についても示す。
  論文  参考訳（メタデータ） (2024-08-07T18:00:11Z)
• Demonstration of Robust and Efficient Quantum Property Learning with Shallow Shadows [1.366942647553326]
  本稿では,現在の量子コンピューティングプラットフォーム上での量子状態の特徴付けのためのロバストプロトコルを提案する。 提案プロトコルは, 期待値, 忠実度, 絡み合いエントロピーなどの状態特性を, サンプルの複雑さを低く保ちながら正確に復元する。 この理論的および実験的分析を組み合わせることで、ロバストな浅い影プロトコルは、スケーラブルで堅牢でサンプル効率のよいプロトコルとして位置づけられる。
  論文  参考訳（メタデータ） (2024-02-27T21:53:32Z)
• Experimental validation of the Kibble-Zurek Mechanism on a Digital Quantum Computer [62.997667081978825]
  キブル・ズレック機構は対称性の破れを伴う非平衡量子相転移の本質物理学を捉えている。 我々は、ランダウ・ツェナー進化の下で、最も単純な量子の場合、単一の量子ビットに対してKZMを実験的に検証した。 我々は、異なる回路環境とトポロジに埋め込まれた個々の量子ビットに関する広範囲なIBM-Q実験について報告する。
  論文  参考訳（メタデータ） (2022-08-01T18:00:02Z)
• Quantum error mitigation via matrix product operators [27.426057220671336]
  QEM(Quantum error mitigation)は、測定結果の誤差を反復実験やデータのポスト分解によって抑制することができる。 MPO表現は、より実験的なリソースを消費することなく、ノイズをモデル化する精度を高める。 我々の手法は、より量子ビットと深度の高い高次元の回路に適用できることを期待している。
  論文  参考訳（メタデータ） (2022-01-03T16:57:43Z)
• Model-Independent Error Mitigation in Parametric Quantum Circuits and Depolarizing Projection of Quantum Noise [1.5162649964542718]
  与えられたハミルトニアンの基底状態と低い励起を見つけることは、物理学の多くの分野において最も重要な問題の一つである。 Noisy Intermediate-Scale Quantum (NISQ) デバイス上の量子コンピューティングは、そのような計算を効率的に実行する可能性を提供する。 現在の量子デバイスは、今でも固有の量子ノイズに悩まされている。
  論文  参考訳（メタデータ） (2021-11-30T16:08:01Z)
• An Algebraic Quantum Circuit Compression Algorithm for Hamiltonian Simulation [55.41644538483948]
  現在の世代のノイズの多い中間スケール量子コンピュータ(NISQ)は、チップサイズとエラー率に大きく制限されている。 我々は、自由フェルミオンとして知られる特定のスピンハミルトニアンをシミュレーションするために、量子回路を効率よく圧縮するために局所化回路変換を導出する。 提案した数値回路圧縮アルゴリズムは、後方安定に動作し、$mathcalO(103)$スピンを超える回路合成を可能にするスピンの数で3次スケールする。
  論文  参考訳（メタデータ） (2021-08-06T19:38:03Z)
• Sampling Overhead Analysis of Quantum Error Mitigation: Uncoded vs. Coded Systems [69.33243249411113]
  パウリの誤差は、多数の現実的な量子チャネルの中で最も低いサンプリングオーバーヘッドをもたらすことを示す。 我々はQEMと量子チャネル符号化を併用する手法を考案し、純粋なQEMと比較してサンプリングオーバーヘッドの低減を解析する。
  論文  参考訳（メタデータ） (2020-12-15T15:51:27Z)

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。