論文の概要: Error Mitigation From a Single Unmodified Error-Corrected Circuit
- arxiv url: http://arxiv.org/abs/2610.06792v1
- Date: Mon, 05 Oct 2026 17:48:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 22:47:04.197626
- Title: Error Mitigation From a Single Unmodified Error-Corrected Circuit
- Title（参考訳）: 修正されていない1個の誤り補正回路からの誤り除去
- Abstract要約: シンドロームに基づくオフライン論理誤差軽減(SOLEM)を導入する。
SOLEMは''の誤り訂正回路に組み込まれており、実際には外部のLEMプロトコルよりも実装が簡単である。
我々は、確率的エラーキャンセル(PEC)のオフライン論理バージョンとゼロノイズ外挿(ZNE)を含む、不偏・不偏推定器をこのフレームワーク内で開発する。
- 参考スコア（独自算出の注目度）: 2.2138229143114776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent work has shown that syndrome information obtained during error-corrected quantum computation can be utilized for logical error mitigation (LEM), yielding exponential reductions in runtime overhead compared to external'' LEM methods, which do not make use of syndrome data. However, these syndrome-aware LEM methods (SALEM) generally require adaptive circuit operations based on real-time processing of syndromes. Here, we introduce syndrome-based offline logical error mitigation (SOLEM), a framework that utilizes syndrome data entirely in post-processing, without any modification to the given error-corrected circuit. In this sense, SOLEM is built into'' error-corrected circuits, and is in fact simpler to implement than external LEM protocols. The basic idea of SOLEM is to use naturally occurring syndrome-conditioned logical error channels in place of deliberate circuit modifications. We develop unbiased and heuristic estimators within this framework, including offline logical versions of probabilistic error cancellation (PEC) and zero-noise extrapolation (ZNE), as well as a global-regression estimator. SOLEM's fully offline nature leads to three significant advantages. First, SOLEM can post-process syndromes with a more powerful decoder than the one used in real time. Second, multiple estimators can be constructed from the same measured data and optimized using empirical statistical errors and related performance metrics. Third, logical error characterization is needed only in post-processing, allowing characterization data to be collected during circuit execution and reducing sensitivity to hardware drift. Remarkably, SOLEM estimators can achieve these advantages while attaining a runtime overhead which is exponentially lower than that of external LEM and is comparable to that of corresponding SALEM estimators.
- Abstract（参考訳）: 近年の研究では、誤り訂正量子計算で得られたシンドローム情報が論理的エラー軽減(LEM)に利用でき、外部のLEM法に比べて実行時のオーバーヘッドが指数関数的に減少し、シンドロームデータを利用できないことが示されている。
しかし、これらのシンドローム対応LEM法(SALEM)は一般的に、シンドロームのリアルタイム処理に基づく適応回路操作を必要とする。
本稿では,SOLEM(Single-based offline logic error mitigation)について紹介する。このフレームワークは,所定の誤り訂正回路を変更することなく,後処理で完全にシンドロームデータを利用する。
この意味で、SOLEMは''の誤り訂正回路に組み込まれており、実際には外部のLEMプロトコルよりも実装が簡単である。
SOLEMの基本的な考え方は、意図的な回路修正の代わりに自然発生のシンドローム条件の論理的エラーチャネルを使用することである。
本研究では,確率的エラーキャンセリング(PEC)のオフライン論理バージョンとゼロノイズ外挿(ZNE)を含む非バイアス・ヒューリスティック推定器と,グローバル回帰推定器を開発した。
SOLEMの完全なオフライン性は、3つの大きな利点をもたらす。
第一に、SOLEMはリアルタイムに使用されるものよりも強力なデコーダを持つ後処理シンドロームが可能である。
第二に、同じ測定データから複数の推定器を構築し、経験的統計誤差と関連する性能指標を用いて最適化することができる。
第三に、論理誤差の特徴付けは後処理でのみ必要であり、回路実行中に特徴付けデータを収集でき、ハードウェアのドリフトに対する感度を低減できる。
注目すべきは、SOLEM推定器は、外部LEMよりも指数関数的に低く、対応するSALEM推定器に匹敵するランタイムオーバーヘッドを確保しながら、これらの利点を達成することができることである。
関連論文リスト
- Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。
平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
論文 参考訳（メタデータ） (2026-09-29T11:24:19Z) - Measurement-Based Uncomputation from an Error Correction Perspective [3.2651468573861524]
コヒーレントな非計算は計算自体と同じくらいコストがかかり、時空のオーバーヘッドを発生させる。
我々は,量子誤差補正画像を用いて,測定に基づく非計算のためのフレームワークを開発する。
論文 参考訳（メタデータ） (2026-09-25T17:54:52Z) - Machine-learned syndrome post-selection for reliable quantum error correction [0.3181700357675698]
量子エラー訂正は、論理的失敗を引き起こす可能性のある実行を後選択することで強化することができる。
本稿では,症候群データから直接学習する,事実上のデコーダに依存しないポストセレクション手法を提案する。
論文 参考訳（メタデータ） (2026-07-21T20:39:56Z) - CASS-RTL: Correctness-Aware Subspace Steering for RTL Generation with LLMs [0.0]
本研究は,LCMの正当性を考慮したコンポーネントの発見と活用を目的とした,一級フレームワークCASS-RTLを提案する。
We observed 10%-20% improve in pass@1/5/10 accuracy on VerilogEval and 5% improve on CVDP。
論文 参考訳（メタデータ） (2026-06-04T04:02:51Z) - Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - From I/O to Code with Discovery Agent [103.88427301265669]
IO2Codeの発見エージェントであるDIO-Agentを提案する。
本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。
大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2026-05-14T18:57:32Z) - LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。
CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
論文 参考訳（メタデータ） (2026-05-02T11:31:33Z) - How LLMs Fail and Generalize in RTL Coding for Hardware Design? [56.361436215029045]
我々は,認知理論に触発された問題解決性に基づく新しい誤り分類法を導入する。
我々の分類学は、障害を構文、意味、解決可能な機能、解決不可能な機能タイプに分類する。
論文 参考訳（メタデータ） (2026-04-26T14:34:49Z) - Efficient learning of logical noise from syndrome data [1.2109342530966007]
我々は,サンプルの複雑さと計算コストを保証できる効率的な推定器を開発した。
本研究は,フォールトトレラント量子デバイスにおける論理チャネルを特徴付けるための実践的アプローチとして,シンドロームに基づく学習を確立した。
論文 参考訳（メタデータ） (2026-01-29T20:02:00Z) - Syndrome aware mitigation of logical errors [2.2874838498268826]
本稿では, 誤り訂正時に測定された症候群データを利用したSALEM(Single-aware logical error mitigation)を提案する。
SALEMは、確実に実行可能な計算のサイズを桁違いに大きくする。
これは、ECが一般的に役に立たないと見なされる物理的エラー率のレギュレーションにECを利用することができる。
論文 参考訳（メタデータ） (2025-12-29T19:10:11Z) - Taming Polysemanticity in LLMs: Provable Feature Recovery via Sparse Autoencoders [50.52694757593443]
既存のSAEトレーニングアルゴリズムは厳密な数学的保証を欠いていることが多く、実用的な制限に悩まされている。
まず,特徴の特定可能性という新たな概念を含む特徴回復問題の統計的枠組みを提案する。
本稿では、ニューラルネットワークのバイアスパラメータを適応的に調整し、適切なアクティベーション間隔を確保する手法である「バイアス適応」に基づく新たなSAEトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-06-16T20:58:05Z)
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。