論文の概要: QEMScore: How Much Does the Measurement Add to Learned Quantum Error Mitigation?

• arxiv url: http://arxiv.org/abs/2609.17896v1
• Date: Tue, 15 Sep 2026 22:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.558356
• Title: QEMScore: How Much Does the Measurement Add to Learned Quantum Error Mitigation?
• Title（参考訳）: QEMScore: 学習した量子エラーの軽減に計測はどの程度の価値があるか?
• Abstract要約: 精度表は、手渡された回路構造が、測定を全く読まずによく得点できるので、言い切れない。 QEMScoreは、可能な比較を追加する。 学習したミチゲータは、同じ回路記述を読み込むが測定をしないモデルであるキャパシティマッチング制御の横にスコアされる。
• 参考スコア（独自算出の注目度）: 23.55753073065416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How much does the noisy measurement add to learned quantum error mitigation? An accuracy table cannot say, because a model handed circuit structure can score well without reading the measurement at all. QEMScore adds the comparison that can. Each simulated circuit carries an exact ideal answer. The learned mitigator is scored beside a capacity-matched control, a model just as flexible that reads the same circuit description but never the measurement. Each method's measurement spend is accounted and not equalized. We run a controlled campaign on simulated circuits and reanalyze two published learned mitigators, Q-LEAR and QRAFT, from their released hardware data. Three findings stand out. First, under familiar within-family conditions (S0) evaluated across two spin-chain families and three seeds, continuous couplings identify the target, and the control that never reads the measurement matches 87.7 to 100.5 percent of the mitigator's gain over an affine fit to the circuit description. A plain polynomial in the coupling parameters, fitted after the campaign, beats the mitigator on all six evaluations, reflecting the selected learners' capacity. Second, for these selected learners, matching most of the gain is not matching the accuracy: on five of six evaluations the mitigator removes 19.5 to 74.5 percent of the error the capacity-matched control leaves, a learner-specific gap rather than a measurement requirement. Third, on released hardware data where descriptors only partially identify queries, the findings differ: flexible models of the descriptors show negligible mean gain over affine fits in Q-LEAR, and measurement inputs carry predictive gains in both Q-LEAR and QRAFT. These comparisons reflect representation- and protocol-specific behavior rather than an isolated cross-regime difference. A learned mitigator's accuracy should therefore be reported beside such controls.
• Abstract（参考訳）: ノイズ測定は、学習した量子エラーの緩和にどの程度効果があるのか? 精度表は、手渡された回路構造が、測定を全く読まずによく得点できるので、言い切れない。 QEMScoreは、可能な比較を追加する。 それぞれのシミュレートされた回路は、正確な理想的な答えを持っている。 学習したミチゲータは、同じ回路記述を読み込むが測定をしないモデルであるキャパシティマッチング制御の横にスコアされる。 それぞれの測定法の計測費は考慮され、等化されない。 我々は、シミュレーション回路上で制御されたキャンペーンを実行し、リリースしたハードウェアデータから、学習用ミミゲータであるQ-LEARとQRAFTを再解析する。 3つの発見がある。 まず、2つのスピン鎖ファミリーと3つのシードで評価された親密な家庭内条件(S0)の下で、連続的なカップリングはターゲットを識別し、測定値を読み取らない制御は、回路記述に適合するアフィンに対するミチゲーターの利得の87.7から100.5%と一致する。 キャンペーン後に装着された結合パラメータのプレーン多項式は、選択した学習者の能力を反映して6つの評価すべてでミチゲータを破る。 第二に、これらの選択された学習者にとって、ほとんどの利得は精度に合わない:6つの評価のうち5つの評価において、ミチゲータは、キャパシティマッチングされた制御領域のエラーの19.5から74.5パーセントを除去し、測定要求よりも学習者固有のギャップである。 第3に、ディスクリプタがクエリを部分的に識別するだけであるハードウェアデータでは、この結果が異なる: ディスクリプタの柔軟なモデルは、Q-LEARにおけるアフィン適合よりも無視可能な平均ゲインを示し、測定入力はQ-LEARとQRAFTの両方で予測ゲインを持つ。 これらの比較は、独立した相互登録の違いではなく、表現とプロトコル固有の振る舞いを反映している。 したがって、学習したミチゲーターの精度は、そのような制御の横で報告されるべきである。

関連論文リスト

• Intrinsic Sequence-Likelihood Confidence in Retrieval-Dominated Extractive QA: Two Pre-Specified Negatives, and What They Do and Do Not Attribute [0.4310167974376404]
  オープン言語モデルを微調整すると、自身の信頼度が誘引制御信号であるモデルが得られる。 我々は,実行前の基準下での両使用量を評価した。 検索だけで92-99.8%のベストケースの組み合わせ精度が回復する。
  論文  参考訳（メタデータ） (2026-09-17T09:17:00Z)
• Statistical Symmetry Release for Equivariant Quantum Learning [12.042012916861829]
  ハード対称性の制約はモデルの複雑さを減少させるが、ラベル情報を消去することもできる。 統計的対称性の解放は、有限データと量子測度がそのような制約を緩和することを正当化する場合を決定する。
  論文  参考訳（メタデータ） (2026-09-10T12:38:27Z)
• Completing or Refusing Low-Dimensional Records of Structured Quantum Circuits: Measurement Loss, Compression Loss, and Hardware Drift [3.033225941396505]
  記録は、回路パラメータに対して異なる反応を示す確率をマージすると、制御依存の情報を失う。 パラメトリックなハードウェアノイズモデルや低次元統計ファミリを使わずにこの損失を評価する。 IBMは、固定粒子数およびGHZ族におけるキングストンとマラケシュのテスト決定に関する実験を行った。
  論文  参考訳（メタデータ） (2026-09-01T14:30:37Z)
• MemToC: Benchmarking Memory-Tool Conflict Resolution in Large Language Models [49.47300047353726]
  MemToCは、実行時ツールによるポストツール-リターン仲裁のベンチマークである。 MemToCは、542の質制御された事実質問から構築された6,504回の評価エピソードで構成されている。 オープンウェイトな7-9Bモデルでは、ツールが強く支配的なクローズドブックの回答を返す。
  論文  参考訳（メタデータ） (2026-08-26T18:22:03Z)
• Certifying Compressed Language Models: An Audit and a Statistical Toolkit [0.0]
  正解率は, 正解率の約5倍であり, 正解率と正解率は同一であり, 個々の項目では相変わらず一致しない。 誰も有望な数値等価マージンを示しておらず、タスクマッチングされた各イテム出力はリリースしない。 欠落した機器: 宣言されたマージンでペア同値テストを行い、認定表に評価要求を与えます。
  論文  参考訳（メタデータ） (2026-08-15T05:15:35Z)
• Accurate Ensembles, Fragile Narratives: Multi-Scale Stacking and a Fidelity Audit of LLM-Generated Explanations for Credit Risk [0.0]
  クレジットスコアリングは、決定ロジックをパラメータから読み取ることができないモデルに依存している。 共通する提案は、言語モデルとのギャップを埋める: 特徴属性を計算し、それらを LLM に渡し、合理的に記述させる。 このようなシステムをエンド・ツー・エンドに構築し、約束の後半が成立するかどうかをテストします。
  論文  参考訳（メタデータ） (2026-08-08T13:22:14Z)
• What Accuracy and Gradient Cosine Miss: Evaluating Feedback Alignment via Scale Stability, Reference Validity, and Depth Utility [48.10132234701036]
  本稿では,3つのチェック(スケール安定性,参照妥当性,深度ユーティリティ)に基づく診断評価プロトコルを提案する。 複数のアーキテクチャや手法にまたがって、我々のプロトコルは広い校正マージンを持つ全ての障害を識別する。
  論文  参考訳（メタデータ） (2026-06-19T06:04:17Z)
• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• Decomposed Prompting Does Not Fix Knowledge Gaps, But Helps Models Say "I Don't Know" [47.930782177987446]
  大規模言語モデルは、クローズドブックの質問応答において知識限界を認識するのに苦労することが多く、自信ある幻覚へと繋がる。 我々は、モデルスケールの異なるDirect、Assistive、Incrementalの3つのタスク等価プロンプトとマルチホップQAベンチマークを評価した。 幻覚が一致している間に事実知識が安定しているため、クロスレジームは内部の不確実性の正確なシグナルを与える。
  論文  参考訳（メタデータ） (2026-02-04T18:39:58Z)
• Fault-tolerant parity readout on a shuttling-based trapped-ion quantum computer [64.47265213752996]
  耐故障性ウェイト4パリティチェック測定方式を実験的に実証した。 フラグ条件パリティ測定の単発忠実度は93.2(2)%である。 このスキームは、安定化器量子誤り訂正プロトコルの幅広いクラスにおいて必須な構成要素である。
  論文  参考訳（メタデータ） (2021-07-13T20:08:04Z)

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。