A walk through quantum noise: a study of error signatures and characterization methods
Notice bibliographique
Résumé
The construction of large scale quantum computing devices might be one of the most exciting \nand promising endeavors of the 21st century, but it also comes with many challenges. \nAs quantum computers are supplemented with more registers, their error profile generally \ngrows in complexity, rendering the enterprise of quantifying the reliability of quantum computations \nincreasingly difficult through naive characterization techniques. In the last decade, \na lot of efforts has been directed toward developing highly scalable benchmarking schemes. \nA leading family of characterization methods built upon scalable principles is known as randomized \nbenchmarking (RB). \nIn this thesis, many tools are presented with the objective of improving the scalability, \nand versatility of RB techniques, as well as demonstrating their reliability under various \nerror models. \nThe first part of this work investigates the connection between the error of individual \ncircuit components and the error of their composition. Before reasoning about intricate circuit \nconstructions, it is shown that there exists a well-motivated way to define decoherent \nquantum channels, and that every channel can be factorized into a unitary-decoherent composition. \nThis dichotomy carries to the circuit evolution of important error parameters by \nassuming realistic error scenarios. Those results are used to improve the confidence interval \nof RB diagnoses and to reconcile experimentally estimated parameters with physically and \noperationally meaningful quantities. \nIn the second part of this thesis, various RB schemes are either developed or more rigorously \nanalyzed. A first result consists of the introduction of “dihedral benchmarking”, a \ntechnique which, if performed in conjunction with standard RB protocols, enables the characterization \nof operations that form a universal gate-set. Finally, rigorous analysis tools are \nprovided to demonstrate the reliability of a highly scalable family of generator-based RB \nprotocols known as direct RB.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».