論文の概要: Lindblad Multiproduct Formulas

• arxiv url: http://arxiv.org/abs/2609.05024v1
• Date: Fri, 04 Sep 2026 11:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.023614
• Title: Lindblad Multiproduct Formulas
• Title（参考訳）: Lindblad (複数形 Lindblads)
• Abstract要約: 量子エラー低減手法であるLindblad Multiproduct Formulasを紹介する。 ループ補正された信念伝播と収縮した2次元テンソルネットワークを使用する。 我々は、ワークフローの古典的な部分のGPU実装が最大5.6タイムのスピードアップを達成することを示す。
• 参考スコア（独自算出の注目度）: 0.7469598657060308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Lindblad Multiproduct Formulas: a quantum error mitigation technique that uses two-dimensional tensor networks contracted with loop-corrected belief propagation. The quantities required to implement the error mitigation scheme that are evaluated with tensor networks can be less computationally expensive to calculate than the expectation values themselves, thus allowing for the possibility of applying our method to certain systems for which tensor network methods may struggle to calculate the observable quantities of interest. The workflow incorporates Clifford rescaling techniques and outputs an estimated error bar. We apply our method to a model of two-dimensional discrete time crystals studied previously and implement it on $65$ qubits arranged in a $3\!\times\!3$ heavy-hexagonal topology on the quantum computer ibm_basquecountry. We show that a GPU implementation of the classical part of our workflow achieves a speedup of up to $5.6\times$.
• Abstract（参考訳）: 本稿では,ループ補正された信念伝播を伴う2次元テンソルネットワークを用いた量子誤差緩和手法であるリンドブラッド多産物式を紹介する。 テンソルネットワークで評価される誤差軽減方式を実装するために必要な量は,期待値よりも計算コストが低く,テンソルネットワーク方式が観測可能な量の計算に苦慮するシステムに本手法を適用することが可能となる。 このワークフローにはCliffordの再スケーリング技術が組み込まれ、推定エラーバーが出力される。 これまでに研究した2次元離散時間結晶のモデルに本手法を適用し,65ドル(約6,500円)の量子ビットで実装する。 タイムズ! 量子コンピュータ ibm_basquecountry 上のヘキサゴナルトポロジー。 我々は、ワークフローの古典的な部分のGPU実装が最大5.6\times$のスピードアップを達成することを示す。

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$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Quantum-classical crossover in fault-tolerant quantum dynamics simulation [56.198154828333685]
  我々は、コヒーレントな観測可能推定と非クリフォード回転の時空間効率実装を組み合わせたスケーラブルなフォールトトレラントフレームワークを提案する。 最先端テンソルネットワークと変分モンテカルロアルゴリズムに対するベンチマークでは、混合場イジングダイナミクスのための具体的なクロスオーバーが明らかにされている。
  論文  参考訳（メタデータ） (2026-07-17T16:54:25Z)
• Accelerating Inference for Multilayer Neural Networks with Quantum Computers [4.168548169504036]
  非線形アクティベーション機能を持つ多層ニューラルネットワークの完全コヒーレントな量子実装について述べる。 3つの量子データアクセス体制下でのネットワークの推論の複雑さを分析する。
  論文  参考訳（メタデータ） (2025-10-08T16:26:50Z)
• Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
  テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。 1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。 その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
  論文  参考訳（メタデータ） (2025-07-01T18:46:27Z)
• Tensor Network enhanced Dynamic Multiproduct Formulas [2.3249255788359813]
  本稿では,テンソルネットワークと量子計算を組み合わせた新しいアルゴリズムを提案する。 提案アルゴリズムは,Trotterの積公式を線形に結合してアルゴリズム誤差を低減する手法である多積式 (MPF) に基づいている。 我々は,このアルゴリズムの詳細な誤差解析を行い,IBMの量子コンピュータ2基を用いた50ドルキュービットの1次元量子シミュレーション問題に対する全ワークフローを実演する。
  論文  参考訳（メタデータ） (2024-07-24T16:37:35Z)
• Computing exact moments of local random quantum circuits via tensor networks [0.40498500266986387]
  量子情報の基本的なプリミティブは、$mathbbE_U[rm Tr[Urho Udagger O]t]$の計算である。 本研究では,局所ゲートモーメント演算子を局所通勤基地に作用する小さな次元テンソルにマッピングするテンソルネットワークを用いてモーメントを推定する。
  論文  参考訳（メタデータ） (2024-03-04T03:50:31Z)
• Simulation of IBM's kicked Ising experiment with Projected Entangled Pair Operator [71.10376783074766]
  我々は最近,誤りを軽減した量子回路を用いてエミュレートされた127量子ビットキックド・イジングモデルの古典的シミュレーションを行った。 提案手法はハイゼンベルク図の射影的絡み合ったペア作用素(PEPO)に基づいている。 我々はクリフォード展開理論を開発し、正確な期待値を計算し、それらをアルゴリズムの評価に利用する。
  論文  参考訳（メタデータ） (2023-08-06T10:24:23Z)
• Block belief propagation algorithm for two-dimensional tensor networks [0.0]
  本稿では,2次元テンソルネットワークを縮小し,2D$システムの基底状態を近似するためのブロック信念伝搬アルゴリズムを提案する。 応用として、我々のアルゴリズムを用いて2D$HeisenbergとTransverse Isingモデルを調べ、この手法の精度が最先端の結果と同等であることを示す。
  論文  参考訳（メタデータ） (2023-01-14T07:37:08Z)
• Direct Quantization for Training Highly Accurate Low Bit-width Deep Neural Networks [73.29587731448345]
  本稿では,低ビット幅重みとアクティベーションで深部畳み込みニューラルネットワークを訓練する2つの新しい手法を提案する。 まず、ビット幅の少ない重みを得るため、既存の方法の多くは、全精度ネットワーク重みで量子化することにより量子化重みを得る。 第二に、低ビット幅のアクティベーションを得るために、既存の作品はすべてのチャネルを等しく考慮する。
  論文  参考訳（メタデータ） (2020-12-26T15:21:18Z)
• Accelerating Neural Network Inference by Overflow Aware Quantization [16.673051600608535]
  ディープニューラルネットワークの重計算を継承することで、その広範な応用が防げる。 トレーニング可能な適応的不動点表現を設計し,オーバーフローを考慮した量子化手法を提案する。 提案手法により,量子化損失を最小限に抑え,最適化された推論性能を得ることができる。
  論文  参考訳（メタデータ） (2020-05-27T11:56:22Z)
• Gradient $\ell_1$ Regularization for Quantization Robustness [70.39776106458858]
  トレーニング後の量子化に対するロバスト性を改善するための単純な正規化スキームを導出する。 量子化対応ネットワークをトレーニングすることにより、異なるビット幅にオンデマンドで量子化できる1組の重みを格納できる。
  論文  参考訳（メタデータ） (2020-02-18T12:31:34Z)

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。