論文の概要: Hardware Robustness of Sample-Based Quantum Diagonalization

• arxiv url: http://arxiv.org/abs/2607.18196v1
• Date: Mon, 20 Jul 2026 17:36:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.722375
• Title: Hardware Robustness of Sample-Based Quantum Diagonalization
• Title（参考訳）: サンプルベース量子対角化のハードウェアロバスト性
• Authors: Ahatesham Bhuiyan, Cheng Chu, Qian Lou, Mengxin Zheng,
• Abstract要約: 量子対角化(Quantum Diagonalization, SQD)は、変分最適化をQPUサンプル上の自己整合回復ループに置き換えるハイブリッド量子古典法である。 これらの領域にわたるIBM Heronハードウェア上でのSQDロバスト性を解析する。
• 参考スコア（独自算出の注目度）: 17.52301775749581
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Sample-based Quantum Diagonalization (SQD) is a hybrid quantum-classical method that replaces variational optimization with a self-consistent recovery loop over QPU samples. Although SQD is considered robust to noisy samples and imperfect classical inputs, its robustness across practical deployment choices has not been systematically analyzed. As a result, shot budgets, qubit layouts, noise mitigation strategies, and the coupled-cluster singles and doubles (CCSD) amplitudes that initialize the ansatz are often chosen without clear empirical guidance. We analyze SQD robustness on IBM Heron hardware across these dimensions. Structured CCSD-amplitude perturbations, including complete zeroing, produce only modest energy shifts from the clean baseline. Differences across layouts and noise-mitigation settings are large in the first recovery iteration but narrow within a few iterations. Accuracy saturates at moderate shot budgets, while very large budgets slightly worsen recovered energies, likely because working-set selection limits the value of additional samples. These results identify where SQD provides genuine deployment robustness and where its limits remain.
• Abstract（参考訳）: サンプルベース量子対角化(英: Sample-based Quantum Diagonalization, SQD)は、変分最適化をQPUサンプル上の自己整合回復ループに置き換えるハイブリッド量子古典法である。 SQDは、ノイズの多いサンプルや不完全な古典的な入力に対して堅牢であると考えられているが、実際の展開選択における堅牢性は体系的に分析されていない。 その結果、アンザッツを初期化するためのショット予算、クビットレイアウト、ノイズ緩和戦略、結合クラスタ・シングルとダブルス(CCSD)振幅が明確な経験的ガイダンスなしで選択されることが多かった。 これらの領域にわたるIBM Heronハードウェア上でのSQDロバスト性を解析する。 完全なゼロ化を含む構造化CCSD振幅摂動は、クリーンベースラインからわずかにエネルギーシフトしか生じない。 レイアウトとノイズ緩和設定の違いは、最初のリカバリイテレーションでは大きいが、数イテレーションで狭くなる。 精度は適度な予算で飽和する一方、非常に大きな予算は、作業セットの選択によって追加サンプルの価値が制限されるため、エネルギーの回復をわずかに悪化させた。 これらの結果は、SQDが真のデプロイメントの堅牢性を提供する場所と、その限界がどこにあるかを特定する。

関連論文リスト

• A Noise-Aware Quantum Algorithm for Credit Valuation Adjustments on Real Quantum Hardware [0.0]
  CVA(Credit Valuation Adjustment)は、リスクニュートラルな予測を繰り返す必要がある。 CVAのためのエンドツーエンドのノイズ対応量子ワークフローを開発する。
  論文  参考訳（メタデータ） (2026-07-14T17:41:11Z)
• Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
  Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。 探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。 有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
  論文  参考訳（メタデータ） (2026-05-22T11:37:22Z)
• Active Sampling Sample-based Quantum Diagonalization from Finite-Shot Measurements [0.0]
  短期量子デバイスは有限ショットの測定のみを提供し、不完全で汚染された状態に備える。 これは、サンプルを完全なトモグラフィーや徹底的な測定なしに信頼性の高い低エネルギー推定に変換するアルゴリズムを動機付けている。 アクティブサンプリングサンプルに基づく量子対角化(AS-SQD)を提案する。
  論文  参考訳（メタデータ） (2026-03-13T19:17:33Z)
• Stratified Sampling for Quasi-Probability Decompositions [0.0]
  準確率分解(QPD)は多くの量子アルゴリズムやプロトコルにおいて必須であることが証明されている。 我々は,この分散を考慮し,低減するための幅広い枠組みを構築している。 典型的なQPDの数値シミュレーションは、全体分散の定数要素の減少を示す。
  論文  参考訳（メタデータ） (2026-02-11T17:46:40Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• One-Step Diffusion Samplers via Self-Distillation and Deterministic Flow [24.67443222055996]
  既存のサンプリングアルゴリズムは通常、高品質なサンプルを作成するために多くの反復的なステップを必要とする。 ステップ条件のODEを学習する1ステップ拡散サンプリング器を提案する。 標準のELBO推定値が数ステップで劣化するのは、よく見られる離散的な収差が前方/後方遷移カーネルと一致していないためである。
  論文  参考訳（メタデータ） (2025-12-04T20:57:53Z)
• Cyclic Variational Quantum Eigensolver: Escaping Barren Plateaus through Staircase Descent [4.517663944296433]
  本稿では, 高精度な基底状態量子シミュレーションのためのハードウェア効率のよいフレームワークであるCVQEを紹介する。 CVQEは測定駆動フィードバックサイクルを組み込むことで従来のVQEから離脱する。 CVQEは, 相関系間の化学精度を一貫して維持し, 固定されたUCCSDを数桁の精度で上回り, 良好な精度とコストのトレードオフを実現することを示す。
  論文  参考訳（メタデータ） (2025-09-16T13:54:03Z)
• MPQ-DMv2: Flexible Residual Mixed Precision Quantization for Low-Bit Diffusion Models with Temporal Distillation [74.34220141721231]
  我々は,textbfMixed textbfPrecision textbfQuantizationフレームワークを改良したMPQ-DMv2を提案する。
  論文  参考訳（メタデータ） (2025-07-06T08:16:50Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• TFMQ-DM: Temporal Feature Maintenance Quantization for Diffusion Models [52.454274602380124]
  拡散モデルは非常に時間ステップ$t$に大きく依存し、良好なマルチラウンドデノジングを実現している。 本稿では,時間情報ブロック上に構築した時間的特徴保守量子化(TFMQ)フレームワークを提案する。 先駆的なブロック設計により、時間情報認識再構成(TIAR)と有限集合キャリブレーション(FSC)を考案し、完全な時間的特徴を整列させる。
  論文  参考訳（メタデータ） (2023-11-27T12:59:52Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)

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。