Core Concepts
ノイズが訓練性を制限する問題に対して、エラー軽減プロトコルが効果的であるかどうかを検証する。
Abstract
近年の研究では、ノイズが変分量子アルゴリズム(VQA)の訓練性を制限することが示されています。本稿では、Zero-Noise Extrapolation、Virtual Distillation、Probabilistic Error Cancellationなどのエラー軽減プロトコルに焦点を当てて、それらがノイズによるコスト関数値の解像度向上にどのように影響するかを調査します。結果は、一部のプロトコルが訓練性を悪化させる可能性があることや、Clifford Data Regressionなど特定の戦略が一部の設定で訓練性を向上させることを示唆しています。
Stats
ノイズパラメータq < 1はPauliノイズパラメータであり、最大深さLσ+1で指数的なGσ,X,M(n)スケーリングをもたらす。
エラー軽減コストγ(θ, ε)はVar[Cm(θ, ε)] / Var[eC(θ, ε)]で定義される。
Zero-Noise ExtrapolationおよびVirtual Distillationは相対的な解像度χ(θ1,2, ε)に影響する。
Quotes
"Error Mitigation shows promise in reducing the impact of noise on near-term devices."
"Our results show that care should be taken in applying EM protocols as they can either worsen or not improve trainability."
"Our results highlight the possibility of engineering error mitigation methods to improve trainability."