MétaCan
Menu
Retour à la cohorte
Enregistrement W3215183963 · doi:10.1007/s00220-024-04958-z

Random Quantum Circuits Transform Local Noise into Global White Noise

2024· article· en· W3215183963 sur OpenAlexafffund
Alexander M. Dalzell, Nicholas Hunter-Jones, Fernando G. S. L. Brandão

Notice bibliographique

RevueCommunications in Mathematical Physics · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueQuantum Computing Algorithms and Architecture
Établissements canadiensPerimeter Institute
Organismes subventionnairesInstitute for Quantum Information and Matter, California Institute of TechnologyMinistry of Colleges and UniversitiesNational Science FoundationGovernment of CanadaAspen Center for PhysicsStanford UniversityInstitut Périmètre de physique théoriqueInnovation, Science and Economic Development Canada
Mots-clésAlgorithmArtificial intelligenceComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract We study the distribution over measurement outcomes of noisy random quantum circuits in the regime of low fidelity, which corresponds to the setting where the computation experiences at least one gate-level error with probability close to one. We model noise by adding a pair of weak, unital, single-qubit noise channels after each two-qubit gate, and we show that for typical random circuit instances, correlations between the noisy output distribution $$p_{\text {noisy}}$$ p noisy and the corresponding noiseless output distribution $$p_{\text {ideal}}$$ p ideal shrink exponentially with the expected number of gate-level errors. Specifically, the linear cross-entropy benchmark F that measures this correlation behaves as $$F=\text {exp}(-2s\epsilon \pm O(s\epsilon ^2))$$ F = exp ( - 2 s ϵ ± O ( s ϵ 2 ) ) , where $$\epsilon $$ ϵ is the probability of error per circuit location and s is the number of two-qubit gates. Furthermore, if the noise is incoherent—for example, depolarizing or dephasing noise—the total variation distance between the noisy output distribution $$p_{\text {noisy}}$$ p noisy and the uniform distribution $$p_{\text {unif}}$$ p unif decays at precisely the same rate. Consequently, the noisy output distribution can be approximated as $$p_{\text {noisy}}\approx Fp_{\text {ideal}}+ (1-F)p_{\text {unif}}$$ p noisy ≈ F p ideal + ( 1 - F ) p unif . In other words, although at least one local error occurs with probability $$1-F$$ 1 - F , the errors are scrambled by the random quantum circuit and can be treated as global white noise, contributing completely uniform output. Importantly, we upper bound the average total variation error in this approximation by $$O(F\epsilon \sqrt{s})$$ O ( F ϵ s ) . Thus, the “white-noise approximation” is meaningful when $$\epsilon \sqrt{s} \ll 1$$ ϵ s ≪ 1 , a quadratically weaker condition than the $$\epsilon s\ll 1$$ ϵ s ≪ 1

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,021
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,004
Communication savante0,0020,004
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,297
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations45
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCommunications in Mathematical PhysicsMême sujetQuantum Computing Algorithms and ArchitectureTravaux en français237 207