論文の概要: Optimizing Symmetry Informed Probabilistic Error Cancellation

• arxiv url: http://arxiv.org/abs/2607.01072v1
• Date: Wed, 01 Jul 2026 15:30:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.963767
• Title: Optimizing Symmetry Informed Probabilistic Error Cancellation
• Title（参考訳）: 確率的誤差キャンセレーションによる対称性の最適化
• Abstract要約: 量子誤り検出と確率的誤差キャンセルを組み合わせることで, PEC単独よりも精度が高く, 分散度の低い推定値が得られることを示す。 雑音対称性の測定は、PEC+QEDアプローチの利点を否定することができるので、古典的な最適化問題として測定構成の選択を論じる。 本研究は,QEM技術の回路設計の重要性を実証し,耐故障設計の原則が早期デバイスに価値をもたらす可能性を示唆するものである。
• 参考スコア（独自算出の注目度）: 0.19116784879310023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We show that combining quantum error detection (QED) with probabilistic error cancellation (PEC) gives more accurate and lower-variance estimates than PEC alone, provided that the symmetry measurements required for QED are carefully chosen. Because noisy symmetry measurements can negate the benefits of the PEC+QED approach, we cast the selection of measurement configurations as a classical optimization problem that systematically suppresses the impact of noise. Applying optimized PEC+QED to GHZ-state output distributions and to simulating the time-dynamics of a generalized superfast encoded Fermi-Hubbard model, we find consistent improvements over PEC. For GHZ states, the optimization over symmetry measurement configurations is essential for achieving an advantage. For the Fermi-Hubbard model, PEC+QED improves observable estimation on a $2 \times 2$ lattice and for larger systems the mitigation overheads can be reduced by measuring only subsets of stabilizers. Our results demonstrate the importance of circuit-specific tailoring of QEM techniques and that fault-tolerant design principles may already provide value for near-term devices.
• Abstract（参考訳）: 量子誤り検出(QED)と確率的誤差キャンセル(PEC)を組み合わせることで、QEDに必要な対称性の測定が慎重に選択されることから、PEC単独よりも正確で低分散の推定値が得られることを示す。 ノイズ対称性測定はPEC+QEDアプローチの利点を無効にすることができるため、ノイズの影響を体系的に抑制する古典的な最適化問題として測定構成の選択を論じる。 最適化されたPEC+QEDをGHZ状態出力分布に適用し、一般化された超高速符号化Fermi-Hubbardモデルの時間力学をシミュレートすることにより、PECよりも一貫した改善が得られた。 GHZ状態の場合、対称性の測定構成に対する最適化は利点を達成するのに不可欠である。 Fermi-Hubbardモデルでは、PEC+QEDは2ドル2セント格子上の観測可能な推定を改善し、より大きなシステムでは安定化器のサブセットだけを測定することで緩和オーバーヘッドを低減することができる。 本研究は,QEM技術の回路設計の重要性を実証し,耐故障設計の原則が早期デバイスに価値をもたらす可能性を示唆するものである。

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)
• Noise-Symmetry Optimization of Quantum Error-Corrected Metrology [0.0]
  本研究は,QEC符号の固有自由度を利用して,覚醒感度を向上させることを目的とする。 我々は,対称性に基づく最適化手法を開発し,そのような最適化が距離論的感度を高めることができるかどうかを判断する基準を導出する。 特にスタビライザー・サム・ハミルトニアンにとって、対称性の最適化は、QFIが消滅したコードを、一般に標準量子極限を達成するコードに変換するか、特定のケースでハイゼンベルクスケーリングするコードに変換することができる。
  論文  参考訳（メタデータ） (2026-08-22T08:24:50Z)
• The Value of Mechanistic Priors in Sequential Decision Making [41.418304743101174]
  ハイブリッド・メカニスティック・モデル、学習された残差を持つ物理的先行性は、良い決定に必要なデータを減らすことを約束するが、これをテストするための計算可能な基準は存在しない。 両体制とも, 逐次意思決定におけるメカニスティックな先駆的価値を特徴づける。
  論文  参考訳（メタデータ） (2026-05-11T05:43:53Z)
• MEC: Machine-Learning-Assisted Generalized Entropy Calibration for Semi-Supervised Mean Estimation [1.3965477771846408]
  予測駆動推論(PPI)は、小さなラベル付きサンプルでトレーニングされた機械学習予測器を利用して効率を向上させる。 機械学習支援型汎用エントロピー(MEC)は,PPIのクロスフィット・キャリブレーション重み付き変種である。 MECはラベル付きサンプルを再重み付けすることで効率を向上させる。
  論文  参考訳（メタデータ） (2026-04-07T05:30:11Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• A Comparative Study of MAP and LMMSE Estimators for Blind Inverse Problems [0.17188280334580194]
  本稿では,2つの合成MAP手法を用いて,非次元問題を軽減する方法を示す。 また, LMMSE推定器は, 限界を回避できる代替手段として機能することを示す。
  論文  参考訳（メタデータ） (2026-02-12T10:49:45Z)
• ECO: Quantized Training without Full-Precision Master Weights [58.97082407934466]
  Error-Compensating (ECO)は、量子化されたパラメータに直接更新を適用することで、マスターウェイトを除去する。 ECO は最適値の定数半径近傍に収束するが、素早いマスターウェイト除去は学習率に逆比例する誤差を生じさせる。
  論文  参考訳（メタデータ） (2026-01-29T18:35:01Z)
• Beyond Outliers: A Study of Optimizers Under Quantization [82.75879062804955]
  量子化下でのモデルロバスト性に対する選択の影響について検討する。 モデルの性能が、異なるベースラインでトレーニングした場合にどのように低下するかを評価する。 異なるパラメータによる量子化対応トレーニングのスケーリング法則を導出する。
  論文  参考訳（メタデータ） (2025-09-27T21:15:22Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)
• Characterizing Error Mitigation by Symmetry Verification in QAOA [2.9860417981482263]
  ハードウェアエラーは量子近似最適化アルゴリズム(QAOA)による量子優位性を示す大きな障害である 対称性検証は、最適化される目的関数の対称性を利用するパリティチェックを使用する。 我々は,MaxCut問題における対称性の検証を数値的に検討し,本手法がQAOAの目的を向上する誤差条件を同定する。
  論文  参考訳（メタデータ） (2022-04-12T14:51:14Z)
• Error Mitigation for Deep Quantum Optimization Circuits by Leveraging Problem Symmetries [2.517903855792476]
  本稿では,古典的目的関数に含まれる対称性を活用して,QAOA進化における誤差を軽減するためのアプリケーション固有のアプローチを提案する。 具体的には、QAOA状態は対称性に制限された部分空間に投影され、投影は回路の終端または進化全体において実行される。 提案手法はQAOA状態の忠実度を向上し,QAOA目標の標本推定精度と,その目的値に対応するバイナリ文字列をサンプリングする確率を両立させる。
  論文  参考訳（メタデータ） (2021-06-08T14:40:48Z)

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。