Logo Zéphyrnet

La capacité d'apprentissage de Pauli Noise | Série de séminaires Qiskit avec Senrui Chen

Date :

Récemment, plusieurs algorithmes de benchmarking quantique ont été développés pour caractériser les portes quantiques bruitées sur les dispositifs quantiques actuels.

Un problème fondamental pour la caractérisation du bruit est que tout ce qui concerne le bruit quantique n'est pas apprenable en raison de l'existence de la liberté de jauge.

La question de savoir quelles informations peuvent être apprises de manière cohérente n'a pas été claire, même pour une seule porte CNOT. Ici, nous donnons une caractérisation précise de la capacité d'apprentissage du bruit de Pauli associé aux portes de Clifford à l'aide d'outils de théorie des graphes, montrant que les informations apprenables correspondent exactement à l'espace de cycle du graphe de transfert de motif de l'ensemble de portes. Nos résultats révèlent l'optimalité du benchmarking de cycle en ce sens qu'il peut extraire toutes les informations apprenables sur le bruit de Pauli. Nous démontrons expérimentalement la caractérisation du bruit de Pauli de la porte CNOT d'IBM jusqu'à 2 degrés de liberté non apprenables, pour lesquels nous obtenons des limites en utilisant des contraintes physiques. De plus, nous montrons que les tentatives d'extraction d'informations non apprenables en ignorant le bruit de préparation d'état produisent des estimations non physiques, qui peuvent être utilisées pour abaisser la limite du bruit de préparation d'état indépendamment de la mesure.

[Préimpression : https://arxiv.org/abs/2206.06362]

[Contenu intégré]

Franck

#DataScientist, #DataEngineer, Blogger, Vlogger, Podcaster sur http://DataDriven.tv .

Retour @Microsoft pour aider les clients à tirer parti de la mine #AI Opinions. #武當派 ventilateur.

Je blogue pour vous aider à devenir un meilleur data scientist/ingénieur ML

Les avis sont les miens. Tout à moi.

spot_img

Dernières informations

spot_img

Discutez avec nous

Salut! Comment puis-je t'aider?