論文の概要: Efficient Estimation of Logical Sensitivities Through Fault-Counting
- arxiv url: http://arxiv.org/abs/2610.10531v1
- Date: Wed, 07 Oct 2026 17:58:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:23.100342
- Title: Efficient Estimation of Logical Sensitivities Through Fault-Counting
- Title（参考訳）: フォールトカウンタリングによる論理的感度の効率的な推定法
- Abstract要約: 1つのモンテカルロデータセットから$nabla_mathbf pp_L$のすべての成分を同時に得る微分可能推定器を開発する。
本手法は,誤差予算の定量化,個々の量子ビットレベルでの感度の解消,有効符号距離の推定に応用する。
- 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: Quantum error-correcting circuits are affected by multiple physical noise mechanisms, whose contributions to logical failure must be understood to evaluate code performance and guide improvements in hardware. The individual error budget contributions for an error type $i$ can be characterized by its logical sensitivity $ν_i = \frac{\partial p_L}{\partial p_i}$, which measures the response of the logical error rate $p_L$ to each physical noise parameter $p_i$. Normally, $ν_i$ is measured using linear fits such as finite differences, where $p_L$ is measured at two or more values of $p_i$ to calculate partial derivatives. In this paper, we develop a differentiable estimator to obtain all components of $\nabla_{\mathbf p}p_L$ simultaneously from a single Monte Carlo data set at one noise configuration, using information about the underlying fault configurations. In surface code simulations with circuit-level noise, the estimator agrees with conventional finite differences while requiring one to two orders of magnitude fewer shots to achieve the same variance. We apply this technique to quantify error budgets, resolve sensitivities at the individual qubit level, and infer effective code distance. Finally, we incorporate the sensitivities into Newton root finding to locate and trace threshold contours in multidimensional noise models. These results provide an efficient method for extracting and applying logical sensitivity information from standard quantum error correction simulations.
- Abstract（参考訳）: 量子誤り訂正回路は、複数の物理ノイズ機構の影響を受けており、論理的故障への寄与は、コード性能を評価し、ハードウェアの改善を導くために理解する必要がある。
誤差型$i$に対する個々のエラー予算の寄与は、その論理感度$ν_i = \frac{\partial p_L}{\partial p_i}$によって特徴づけられ、各物理ノイズパラメータ$p_i$に対する論理誤差率$p_L$の応答を測定する。
通常、$ν_i$は有限差分のような線形適合度を用いて測定され、$p_L$は部分微分を計算するために$p_i$の2つ以上の値で測定される。
本稿では,1つのモンテカルロデータセットを1つのノイズ構成で設定し,その基盤となる断層構成に関する情報を用いて,$\nabla_{\mathbf p}p_L$のすべての成分を同時に取得する微分可能推定器を開発する。
回路レベルのノイズを伴う表面コードシミュレーションでは、推定器は同じばらつきを達成するために1桁から2桁のショットを必要とするが、従来の有限差に一致する。
本手法は,誤差予算の定量化,個々の量子ビットレベルでの感度の解消,有効符号距離の推定に応用する。
最後に, この感度をニュートン根探索に組み込んで, 多次元雑音モデルにおけるしきい値輪郭の探索と追跡を行う。
これらの結果は、標準的な量子誤り訂正シミュレーションから論理感度情報を抽出し、適用するための効率的な方法である。
関連論文リスト
- Optimizing quantum error correction through error attribution [1.7621242699068673]
本稿では,各回路成分が論理誤差率に与える影響を特徴付けるための誤り帰属方式を提案する。
本手法は,限られた資源で量子誤り訂正を改善するための実用的な戦略を提供する。
論文 参考訳（メタデータ） (2026-10-02T14:47:36Z) - Exact learning of quantum noise with tensor networks [0.0]
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。
論文 参考訳（メタデータ） (2026-08-31T18:01:16Z) - The Gain-Engineered Transmon [68.89136228609398]
標準的なトランスモン・リードアウト共振器回路において,ノイズバイアス量子ビットを導入し,実験的に実現する。
本システムは,ハードウェア効率のよい量子エラー検出と修正手法のための単純なビルディングブロックとして利用するための道を開く。
論文 参考訳（メタデータ） (2026-08-26T17:00:42Z) - 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$まで独立散逸率を学習した。
スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
論文 参考訳（メタデータ） (2026-08-25T15:07:11Z) - Enhancing Fault-Tolerant Surface Code Decoding with Iterative Lattice Reweighting [12.330043396100635]
本稿では,Iterative Reweighting Minimum-Weight Perfect Matching (IRMWPM)デコーダを提案する。
IRMWPMは論理誤差率を僅かな距離で20倍以上に下げることを示す。
また、精度の閾値を1%から1.16%に引き上げ、短期リアルタイムデコードに実用的である。
論文 参考訳（メタデータ） (2025-09-08T14:45:59Z) - Orthogonal Causal Calibration [55.28164682911196]
我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。
以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
論文 参考訳（メタデータ） (2024-06-04T03:35:25Z) - On the Identifiability and Estimation of Causal Location-Scale Noise
Models [122.65417012597754]
位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。
症例によっては, 因果方向が同定可能であることが示唆された。
我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
論文 参考訳（メタデータ） (2022-10-13T17:18:59Z) - Instance-optimality in optimal value estimation: Adaptivity via
variance-reduced Q-learning [99.34907092347733]
本稿では,マルコフ決定過程における最適な$Q$値関数を離散状態と動作で推定する問題を解析する。
局所的なミニマックスフレームワークを用いて、この関数は任意の推定手順の精度の低い境界に現れることを示す。
他方,Q$ラーニングの分散還元版を解析することにより,状態と行動空間の対数的要因まで,下位境界のシャープさを確立する。
論文 参考訳（メタデータ） (2021-06-28T00:38:54Z) - Modeling and mitigation of cross-talk effects in readout noise with
applications to the Quantum Approximate Optimization Algorithm [0.0]
雑音の緩和は、上界を導出する誤差まで行うことができる。
ノイズモデルとエラー軽減スキームの両方をテストするためにIBMのデバイスを使用した15(23)量子ビットの実験。
浅層深度ランダム回路によって生成されるHaar-random量子状態と状態に対して、同様の効果が期待できることを示す。
論文 参考訳（メタデータ） (2021-01-07T02:19:58Z) - Neural Control Variates [71.42768823631918]
ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。
理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。
具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
論文 参考訳（メタデータ） (2020-06-02T11:17:55Z)
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。