論文の概要: Shot- and Noise-Aware Pauli Correlation Encoding for Max-Cut Experiments on IBM Heron Quantum Processor
- arxiv url: http://arxiv.org/abs/2610.19544v1
- Date: Wed, 14 Oct 2026 04:02:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.950452
- Title: Shot- and Noise-Aware Pauli Correlation Encoding for Max-Cut Experiments on IBM Heron Quantum Processor
- Title（参考訳）: IBMヘロン量子プロセッサ上での最大カット実験のためのショット・アンド・ノイズ対応パウリ相関符号化
- Abstract要約: パウリ相関符号化(PCE)は、$k$ボディのパウリ相関器が$n=O(m1/k)$ qubitsの符号で$m$バイナリ変数を符号化する。
シャープさは隠しショットの予算であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pauli correlation encoding (PCE) encodes $m$ binary variables in the signs of $k$-body Pauli correlators of $n=O(m^{1/k})$ qubits, and trains a parameterized circuit on a relaxed loss of sharpness $α$. The strongest published schedules sharpen this loss aggressively and are benchmarked with exact expectation values, whereas a quantum computer estimates correlators from a finite number of shots. We show that the sharpness is a hidden shot budget. Since the expected sign of a correlator estimated from $S$ shots, $\mathrm{erf}(c\sqrt{S/2})$, agrees with $\tanh(0.851\sqrt{S}\,c)$ to within $0.019$, the edge term of the relaxed loss at $α=0.851\sqrt{S}$ approximately equals, up to a constant, minus twice the cut expected from decoding $S$ shots. This explains why schedules tuned with exact expectation values lose their advantage at realistic budgets, and yields a shot-aware schedule whose final sharpness is set by the shot budget. On five G-set graphs with $800$ variables on $13$ qubits, this schedule outperforms every published schedule at its target budget in all $150$ paired comparisons of the decoded circuit output, owing to the sharpness at $1.6\times10^4$ shots and mostly to switching off the regularization at $10^3$; after a classical bit-swap search, it remains the best on average at $1.6\times10^4$ shots. Device noise damps the correlators by a factor $s$, which amounts to a smaller shot budget $s^2S$. On the IBM Heron processor ibm_fez, an all-to-all ansatz of the type used for the best published G-set results compiles to $835$ CZ gates and decodes to a random cut, while our $96$-CZ hardware-native circuit, trained in simulation and sharpened to $α\simeq0.65\,s\sqrt{S}$, retains up to $0.919$ of the best-known cut. For new circuits, a damping and an offset calibrated on other circuits of the same graph predicted the decoded cuts at $10^3$ shots to within $0.002$.
- Abstract（参考訳）: パウリ相関符号化(PCE)は、$k$-body Pauli correlators of $n=O(m^{1/k})$ qubitsの符号に$m$のバイナリ変数を符号化し、シャープネスの損失を緩和した上でパラメータ化された回路を訓練する。
最強のスケジュールは、この損失を積極的に鋭くし、正確な期待値でベンチマークされる一方、量子コンピュータは有限個のショットから相関子を推定する。
シャープさは隠しショットの予算であることを示す。
S$ ショットから推定されるコレレータの期待符号である$\mathrm{erf}(c\sqrt{S/2})$は$\tanh(0.851\sqrt{S}\,c)$から$0.019$の範囲で一致するので、緩和された損失のエッジ項は$α=0.851\sqrt{S}$とほぼ等しい。
このことは、正確な期待値で調整されたスケジュールが現実的な予算で優位性を失う理由を説明し、最終的なシャープネスがショット予算によって設定されるショットアウェアのスケジュールを得る。
13ドルキュービットで800ドルの変数を持つ5つのGセットグラフにおいて、このスケジュールは、デコードされた回路出力のペア比較を150ドルすべてで行い、シャープネスが1.6\times10^4$ショットであり、ほとんどは10^3$で正規化をオフにするためであり、古典的なビットスワップ検索の後、平均して1.6\times10^4$ショットで最高である。
デバイスノイズは相関器を$s$で減衰させ、これはより小さなショット予算$s^2S$に等しい。
IBM Heronプロセッサのibm_fezでは、最高のGセット結果に使用される全額のアンサッツが835ドルのCZゲートにコンパイルされ、ランダムなカットにデコードされるのに対して、96ドルのCZハードウェアネイティブ回路はシミュレーションでトレーニングされ、$α\simeq0.65\,s\sqrt{S}$にシャープ化され、最もよく知られているカットの最大0.919ドルの値を保持する。
新たな回路では、同じグラフの他の回路で校正された減衰とオフセットが、10^3$ショットから0.002$以内のデコードカットを予測した。
関連論文リスト
- Parameter-Free Interval-Dynamic Regret under Heavy-Tailed Noise [55.29259818039367]
オンライン凸最適化を1ラウンドに1つの偏りのない下位段階と、未知の有限条件の雑音モーメントであるp$th, $1ple2$で検討する。
長さ$n$の固定区間$I$に対して、学習者は最適な全水平静的レートを含む1+log(T/n)$を達成する。
論文 参考訳（メタデータ） (2026-09-30T21:03:03Z) - Bandits with Multiple Optimal Arms: Minimax Regret and Non-Adaptivity [54.77408659142336]
我々は,複数の最適な腕を持つマルチアーム・バンディット(MAB)について検討し,実際的な意思決定問題の多くが複数の正解を許容しているという事実に動機づけられた。
たとえば$tildeOBig(fracK-AsqrtKAsqrtT Big)$ minimax regret, where $T$ is the total number of interaction and $tilde O(cdot)$ drops all constant and logarithmic factors。
論文 参考訳（メタデータ） (2026-09-29T23:33:10Z) - Certification cost of quantum models: measurement correlation, not parameter count [0.0]
経験的フィッシャー行列を相対的なフロベニウス誤差と比較すると、回路の実行は$$(B p2 V/(varepsilon2 G))である。
コスト最適読み出し重量は、測定されたショットの予算をハードウェア上で2.67タイム($1.33$--4.00$)削減した。
論文 参考訳（メタデータ） (2026-09-13T10:47:03Z) - Asymptotically Optimal Regret for Reinforcement Learning without Horizon Dependence [54.59847568544922]
有限水平時間同質なマルコフ決定過程に対して、$A$状態、$A$アクション、hoighty $H$、および1ドルで有界なトラジェクティブ当たりの合計報酬について、地平自由な後悔について検討する。
失敗確率$$K$はエピソード数で$tilde O(sqrtSAK+S3K)$ hides $mathsfpolyである。
論文 参考訳（メタデータ） (2026-07-22T07:42:19Z) - An End-to-End Hybrid Quantum--Classical Sampling Workflow for Discrete Markov Random Fields: A Reproducible Case Study [0.0]
小型離散マルコフ確率場(MRFs)の振幅符号化i.d.サンプリングについて検討する。
これにより、量子指数的スピードアップは排除されるが、独立回路サンプルに基づく古典的MCMCとクリーンな比較が可能となる。
F_mathrmVQC, F_mathrmMPS) = (0.31, 0.96), (0.21, 0.96), (0.17, 0.88)$ at compressions 10.7times$, $34.1times$, and $111。
論文 参考訳（メタデータ） (2026-07-10T18:33:14Z) - Hardware Validation of DAGI via a Modular "Ridge" Signature and High-Order Synergistic Information [0.0]
IBM Quantumハードウェア上でのDAGI(Directed Acyclic Graph Information)フレームワーク。
理想的な出力分布が低次元モジュラー多様体(リッジ)に制約される小さな制御された実験
キーリカバリはチャンスを超えた:ショット毎の精度0.1689(チャンス0.125,95% Wilson CI[0.1610, 0.1772])
これらの結果は、DAGIが非自明でハードウェアに耐性のある情報構造を検出し、定量化するという主張を支持する。
論文 参考訳（メタデータ） (2026-04-16T14:16:59Z) - Quantum-Enhanced Single-Parameter Phase Estimation with Adaptive NOON States [0.0]
NOON state-maximally path-entangled $N$-photon superpositions $(|N,0rangle + |0,Nrangle)/sqrt2$。
エンド・ツー・エンドの微分可能な量子光学フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-14T05:55:58Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Near-optimal Regret Using Policy Optimization in Online MDPs with Aggregate Bandit Feedback [49.84060509296641]
オンライン有限水平マルコフ決定過程を逆向きに変化した損失と総括的帯域幅フィードバック(フルバンド幅)を用いて研究する。
この種のフィードバックの下では、エージェントは、軌跡内の各中間段階における個々の損失よりも、軌跡全体に生じる総損失のみを観察する。
この設定のための最初のポリシー最適化アルゴリズムを紹介します。
論文 参考訳（メタデータ） (2025-02-06T12:03:24Z) - Taking a hint: How to leverage loss predictors in contextual bandits? [63.546913998407405]
我々は,損失予測の助けを借りて,文脈的包帯における学習を研究する。
最適な後悔は$mathcalO(minsqrtT, sqrtmathcalETfrac13)$である。
論文 参考訳（メタデータ） (2020-03-04T07:36:38Z)
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。