論文の概要: Backend-Aware Graph Learning for Denoising Outcome Distributions in Quantum Program Testing
- arxiv url: http://arxiv.org/abs/2607.23211v1
- Date: Sat, 25 Jul 2026 14:02:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.029926
- Title: Backend-Aware Graph Learning for Denoising Outcome Distributions in Quantum Program Testing
- Title（参考訳）: 量子プログラムテストにおける出力分布評価のためのバックエンド対応グラフ学習
- Authors: Ning Ma, Jun Dai, Heng Li,
- Abstract要約: Q-BRIDGE(Q-BRIDGE)は,雑音の観測を離散分布に変換するグラフ学習に基づく手法である。
Q-BRIDGEは93.97%-94.90%の精度と82.50%-83.51%のリコールを達成した。
- 参考スコア（独自算出の注目度）: 9.198836693023104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Testing quantum programs on NISQ (Noisy Intermediate-Scale Quantum) backends is challenging because the noise disturbs outcome distributions and can affect pass/fail decisions. We present Q-BRIDGE, a graph learning-based approach that converts noisy observations into denoised distributions suitable for oracle-based verification. Q-BRIDGE uses a graph transformer architecture to encode a transpiled quantum circuit, capturing the characteristics of its gates and their connectivity; the physical backend information is encoded together with the logical structure of the circuit. An additional conditioning layer, based on FiLM (Feature-Wise Linear Modulation), takes the encoding as input and integrates noisy observations to produce denoised outcomes. We evaluate Q-BRIDGE on 23 IBM noise backends and 6 circuit families representative of practical workloads. In the first setting, we train a separate Q-BRIDGE model for each backend; in the second setting, we train a single general model shared across all backends. Across both settings, Q-BRIDGE outperforms the state-of-the-art baseline in noise mitigation by a large margin. In testing scenarios with noisy executions, Q-BRIDGE achieves 93.97%-94.90% precision and 82.50%-83.51% recall in detecting bug-induced test failures, significantly outperforming the state-of-the-art baseline. These results indicate that considering the graph structure of the transpiled circuits and the physical characteristics of specific quantum backends is a practical route to more reliable noise-aware quantum program testing.
- Abstract（参考訳）: NISQ(Noisy Intermediate-Scale Quantum)バックエンドでの量子プログラムのテストは、ノイズが結果分布を乱し、パス/フェイル決定に影響を与える可能性があるため、難しい。
本稿では,Q-BRIDGEについて述べる。Q-BRIDGEは,雑音の観測をオラクルによる検証に適した雑音分布に変換するグラフ学習方式である。
Q-BRIDGEは、トランスパイルされた量子回路を符号化するためにグラフトランスフォーマーアーキテクチャを使用し、ゲートの特性と接続性をキャプチャし、物理バックエンド情報を回路の論理構造とともに符号化する。
FiLM(Feature-Wise Linear Modulation)をベースとした追加の条件付け層は、エンコーディングを入力として、ノイズの観測を統合してノイズを発生させる。
IBMの23のノイズバックエンドと6つの回路ファミリ上でのQ-BRIDGEの評価を行った。
第1設定では、各バックエンドに対して個別のQ-BRIDGEモデルをトレーニングし、第2設定では、すべてのバックエンド間で共有される単一の汎用モデルをトレーニングします。
どちらの設定でも、Q-BRIDGEはノイズ緩和において最先端のベースラインを大きなマージンで上回る。
ノイズの多い実行を伴うテストシナリオでは、Q-BRIDGEは93.97%-94.90%の精度と82.50%-83.51%のリコールを達成した。
これらの結果は、トランスパイルされた回路のグラフ構造と特定の量子バックエンドの物理特性を考えることは、より信頼性の高いノイズ対応量子プログラムテストへの実践的な経路であることを示している。
関連論文リスト
- GroverFigureOfMerit: An Agnostic Figure of Merit for Quantum Backend Characterization in the NISQ Era [41.99844472131922]
本稿では,Groverのアルゴリズムに基づくメリットのフィギュアを,量子バックエンド性能を均等に評価するアルゴリズム的ストレステストとして提案する。
この計量は、目標状態の成功確率と、非一様増幅と非マーク状態へのリークに対する罰則を組み合わせ、ハードウェアアーキテクチャ全体で統一されたスコアを得る。
論文 参考訳（メタデータ） (2026-07-09T16:08:48Z) - Demonstrating Noise-adapted Quantum Error Correction With Break-Even Performance [2.7568215535428937]
我々は,IBM量子ハードウェアのための雑音適応型3量子量子誤り補正手法を開発した。
提案手法は, ネイティブ振幅減衰(AD)ノイズに対して, 破れても構わないことを示す。
分析の結果,本プロトコルの性能は,主に測定値の読み出し精度によって制限されていることが示唆された。
論文 参考訳（メタデータ） (2026-03-04T19:50:16Z) - AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。
我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
論文 参考訳（メタデータ） (2026-02-02T14:39:42Z) - Adaptive Fidelity Estimation for Quantum Programs with Graph-Guided Noise Awareness [30.900274564864223]
QuFidは適応的でノイズ対応のフレームワークで、オンラインで測定予算を決定する。
固定ショットや学習ベースラインと比較して,QuFidは測定コストを大幅に削減することを示す。
論文 参考訳（メタデータ） (2026-01-21T07:04:05Z) - 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) - Graph-Based Bayesian Optimization for Quantum Circuit Architecture Search with Uncertainty Calibrated Surrogates [2.271697926182248]
本稿では,変分量子回路の発見と改良を行う自動フレームワークを提案する。
回路はグラフとして表現され、期待される改善獲得関数を介して変更され、選択される。
GNN誘導パイプラインは、回路の複雑さが低く、より優れた分類精度の回路を見つける。
論文 参考訳（メタデータ） (2025-12-10T12:23:04Z) - An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。
入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。
我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2025-04-13T11:49:53Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Q-fid: Quantum Circuit Fidelity Improvement with LSTM Networks [0.6062751776009752]
量子回路(QC)の忠実性は、ハードウェア特性、キャリブレーション状態、トランスパイルプロセスなど、いくつかの要因の影響を受けている。
Q-fidは、Long Short-Term Memory (LSTM)ベースの忠実度予測システムであり、量子回路の忠実度を定量化するために設計された新しいメートル法を伴っている。
Q-fidは平均RMSE 0.0515で高い予測精度を達成し、Qiskitトランスパイルツールのマポマティックよりも24.7倍正確である。
論文 参考訳（メタデータ） (2023-03-30T16:44:12Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。