展开量子计算机读出噪声
提出了一种更有效地减轻量子硬件上比特读取误差的方法,并展示了在读出 n 个比特时,仅需进行原来方法 2 的 n 次方的校准测量,即可建立一般错误模型。
Jun, 2021
本文提出了一种新颖的、可扩展的误差缓解方法,旨在实现在存在硬件噪声的情况下准确估计量子观测值,该方法基于 Clifford 门,通过产生训练数据和使用线性 ansatz,使得可以预测任意电路的无噪声的观测值,运行在 16 个 qubit 的 IBMQ 量子计算机和 64 个 qubit 的噪声模拟器上,使用该方法可以将能量估计误差降至数量级。
May, 2020
在噪声中间量子(NISQ)时代的量子计算在机器学习、优化和密码学等领域展示出了有前景的应用。然而,由于系统噪声、错误和退相干,这些挑战使得量子系统的模拟变得复杂。本文提出了一种改进的单比特去极化通道表示法,使用了仅基于 X 和 Z Pauli 矩阵的两个 Kraus 算子,从而将计算复杂度从每次通道执行的六个矩阵乘法降低为四个。在各种电路深度和去极化速率的条件下,对鸢尾花数据集上的量子机器学习(QML)模型进行的实验证实了我们的方法在提高效率的同时保持了模型的准确性。这种简化的噪声模型使得在去极化下更具可扩展性的量子电路模拟成为可能,推动了 NISQ 时代的技术发展。
Apr, 2024
本文提出了一种名为 QSeed 的基于机器学习的种子综合算法,通过学习量子数据集,能够快速地提出实现单位矩阵的资源有效电路,并在 64 个量子位 Shor 因子分解算法的核心组件中,将合成时间加速了 3.7 倍。
Jun, 2023
量子计算的关键问题是如何解决噪声和串扰错误,本研究通过实验分析了 IBM 量子设备上的串扰错误模型,并提出一种插入指令屏障的方法以显著改善电路准确性。
Feb, 2024
本文介绍了将量子电路信噪比预测问题转化为时间序列预测问题的方法,通过 LSTM 神经网络的强大功能来解决。引入了建立训练电路数据集和 LSTM 架构的完整工作流程,包括计算量子电路保真度的直观方法。通过 QASMbench NISQ 基准套件的评估,Q-fid 的预测精度平均 RMSE 达到 0.0515,比默认的 Qiskit transpile 工具 mapomatic 高达 24.7 倍。将其用于寻找高保真度电路布局时,Q-fid 对于前 10% 的电路布局的预测精度平均 RMSE 为 0.0252,比 mapomatic 高达 32.8 倍。
Mar, 2023
超导量子比特已经在量子计算领域成为应用最广的领先候选者,在使用 “嘈杂中间尺度量子”(NISQ)技术时,非纠错量子比特被用来实现量子模拟和算法的原型方案。 本文讲述了超导量子位硬件、量门实现、读出能力、NISQ 算法实现和使用超导量子比特进行量子纠错等方面上的一些最新实验进展。
May, 2019
本文研究了量子计算中的 Qubit-Allocation 和 Qubit-Movement 问题,并提出了一种考虑量子比特误差率变化的方法以优化比特分配和移动的策略,提高 NISQ 系统可靠性,实验结果表明,我们的方法可以将系统的可靠性提高 2.5 倍。
May, 2018