論文の概要: Exact learning of quantum noise with tensor networks

• arxiv url: http://arxiv.org/abs/2609.00169v1
• Date: Mon, 31 Aug 2026 18:01:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.924997
• Title: Exact learning of quantum noise with tensor networks
• Title（参考訳）: テンソルネットワークを用いた量子ノイズのエクササイズ学習
• Abstract要約: 本稿では,量子エラー補正症候群と論理観測データから直接ノイズモデルを学習する変分フレームワークを提案する。 我々は,この目的がアドホックではなく,情報理論の最小論理誤差率を十分に表現可能な雑音アンサッツであることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate noise models are essential for high-performance quantum error correction, yet characterizing the noise of a quantum device typically requires dedicated experiments. We present a variational framework that learns the noise model directly from quantum-error-correction syndrome and logical-observable data collected during error-corrected memory experiments. The fault-event probabilities are treated as variational parameters and optimized via gradient descent to minimize the binary cross-entropy between the decoder's predictions and experimental logical-observable outcomes. We prove that this objective is principled rather than ad hoc: a sufficiently expressive noise ansatz attains the information-theoretic minimum logical error rate. We instantiate this framework using a tensor-network decoder, which provides exact maximum-likelihood decoding and analytically differentiable gradients with respect to all noise parameters. Using circuit-level data from Google's Sycamore processor, and starting from an uninformed prior, the optimization recovers noise models whose logical error rates agree to within $2\%$ with those of Google's independently characterized detector error model. The mean squared error between the learned and reference noise parameters shows a clear overall decrease throughout training, confirming that the method recovers physically meaningful noise structure, not merely parameters that happen to decode well. We further demonstrate that the optimization can track device drifts in real time via warm-started updates, maintaining near-optimal decoding performance under synthetically evolving noise without the need for re-characterization. The approach is decoder-agnostic in its formulation and naturally extends to correlated noise models.
• Abstract（参考訳）: 高精度なノイズモデルは高性能な量子誤差補正には不可欠であるが、量子デバイスのノイズを特徴付けるには専用の実験が必要である。 本稿では、誤り訂正メモリ実験中に収集した量子エラー補正症候群と論理観測可能なデータから直接ノイズモデルを学習する変分フレームワークを提案する。 異常事象確率は変分パラメータとして扱われ、勾配降下により最適化され、デコーダの予測と実験的な論理観測可能な結果の間の二項交叉エントロピーを最小化する。 我々は,この目的がアドホックではなく,情報理論の最小論理誤差率を十分に表現可能な雑音アンサッツであることを示す。 我々は、このフレームワークをテンソルネットワークデコーダを用いてインスタンス化し、全てのノイズパラメータに対して、正確な最大形デコードと解析的に微分可能な勾配を提供する。 GoogleのSycamoreプロセッサの回路レベルデータを使用し、未インフォームから始まる最適化では、論理誤差率がGoogleの独立に特徴付けられた検出器エラーモデルと2.5%以内で一致するノイズモデルを復元する。 学習したノイズパラメータと基準ノイズパラメータ間の平均2乗誤差は、トレーニング全体を通して明らかな全体的な減少を示し、この手法が正しく復号する単なるパラメータではなく、物理的に意味のあるノイズ構造を回復することを確認した。 さらに、この最適化は、温暖化開始した更新によってデバイスドリフトをリアルタイムで追跡し、合成的に進化する雑音下での準最適復号性能を、再評価を必要とせずに維持できることを実証する。 この手法はデコーダに依存しない定式化であり、自然に相関ノイズモデルに拡張される。

関連論文リスト

• Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
  損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
  論文  参考訳（メタデータ） (2026-03-18T01:25:08Z)
• Differentiable Maximum Likelihood Noise Estimation for Quantum Error Correction [3.1257175823346905]
  我々は, 正確な, 効率的, かつ, 完全微分可能な症候群の最大値を可能にする, 識別可能な類似度推定フレームワークを導入する。 提案手法は, シンドロームの確率を直接最大化することにより, 証明可能なデコーダ非依存誤差を導出する。
  論文  参考訳（メタデータ） (2026-02-23T11:20:23Z)
• Adaptive Estimation of Drifting Noise in Quantum Error Correction [1.1998722332188005]
  本稿では、量子誤り訂正実験のシンドローム統計を利用して、時間依存のパウリノイズを捕捉する枠組みを提案する。 スライドウィンドウのノイズフィルタリング挙動を実証し,窓の大きさをスペクトルカットオフ周波数にリンクし,複数のドリフト周波数を捕捉する反復アルゴリズムを提案する。 ウインドウに基づく推定手法と適応デコードにより,ドリフト下でのノイズスペクトルとデコーダ最適化の新しい知見が得られる。
  論文  参考訳（メタデータ） (2025-11-12T17:03:56Z)
• Data-Efficient Quantum Noise Modeling via Machine Learning [0.3279176777295314]
  超伝導量子プロセッサのための正確なパラメータ化ノイズモデルを構築するための,データ効率のよい機械学習ベースのフレームワークを提案する。 本研究では,小規模回路のみに学習したモデルにより,大規模回路の動作を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2025-09-16T10:30:28Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Modeling error correction with Lindblad dynamics and approximate channels [0.0]
  ノイズの異なる近似がコードの成功率をどのように捉えているかを研究する。 パウリ近似は単一量子チャネルを超えており、ノイズ、状態、デコーダの詳細に敏感である。
  論文  参考訳（メタデータ） (2024-02-26T16:48:34Z)
• Learning correlated noise in a 39-qubit quantum processor [0.38073142980732994]
  誤り訂正量子コンピュータの構築は、候補デバイス上でのノイズの測定とモデリングに大きく依存する。 本稿では, シンドローム抽出回路を動作させるデバイスにおいて, ノイズの詳細情報を抽出する手法を提案する。 様々な高度化のノイズモデルを構築するのに必要な情報を20個のデータキュービットから抽出する方法を示す。
  論文  参考訳（メタデータ） (2023-03-01T19:07:35Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)
• Consistency Regularization for Certified Robustness of Smoothed Classifiers [89.72878906950208]
  最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。 その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
  論文  参考訳（メタデータ） (2020-06-07T06:57:43Z)

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。