利用 Clifford 量子电路数据进行误差纠正

May, 2020

利用 Clifford 量子电路数据进行误差纠正

Error mitigation with Clifford quantum-circuit data

Piotr Czarnik, Andrew Arrasmith, Patrick J. Coles, Lukasz Cincio

TL;DR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。

Abstract

Achieving near-term quantum advantage will require accurate estimation of quantum observables despite significant hardware noise. For this purpose, we propose a novel, scalable error-mitigation method that applies to gate-based quantum computers. The method generates training data $\{X

quantum computing error mitigation observables clifford gates linear ansatz

发现论文，激发创造

实用量子误差缓解的机器学习

今天的量子计算机是否能通过传统方法的量子错误纠正来解决量子计算机的潜在困难是一个挑战，但机器学习为量子错误纠正提供了潜在解决方案，通过模拟和实验，机器学习在 100 量子位的量子计算机上得到了许多正面结果，并且展现了在各种量子电路和设备噪声情况下的潜力。

Sep, 2023

利用嘈杂中尺度量子设备估计串扰误差对电路保真度的影响

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

使用比特翻转平均值对量子比特读取误差进行缓解

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

使用噪声量子神经网络进行量子态区分

本篇研究探究了 QNN 在噪声量较高的量子计算机上进行状态辨别的效果，通过引入新的电路技术，并在当前的量子硬件噪声水平下对其进行验证，发现其在较高噪声水平下仍能收敛于有用的参数并用于量子生成对抗网络的分类器。

Nov, 2019

展开量子计算机读出噪声

本文探讨如何纠正嘈杂中间尺度量子计算机的传输误差，并研究了一种名为迭代贝叶斯展开的方法，在量子信息科学和高能物理领域之间建立桥梁，并为未来的研究提供参考。

Oct, 2019

参数化量子电路中基于扩散的量子噪声抑制

该研究论文探讨了参数化量子电路（PQCs）与量子噪声的关系，并提出了一种基于扩散的学习方法，以减小 PQCs 中的量子噪声并降低特定任务的误差。通过实验证明了该学习策略的高效性，并在量子噪声情景中在分类任务上取得了最先进的性能。

Jun, 2024

噪声抗干扰量子电路的机器学习

该文档提出了一种基于机器学习的通用框架，用于降低噪音对量子电路的影响，并利用该框架构建出对噪声具有鲁棒性的电路，从而实现量子计算机的噪音约束计算。

Jul, 2020

基于机器学习的误差缓解方法用于 IBM 的量子计算机上的可靠软件开发

该研究论文提出了一种名为 Q-LEAR 的实用机器学习方法，通过一种新颖的特征集来减轻量子软件输出中的噪声错误，并与现有的基准 ML 方法进行比较，结果表明，与基准相比，Q-LEAR 在真实量子计算机和模拟器上的误差缓解平均提高了 25%。

Apr, 2024

通过经典影子高效恢复 Pauli 噪声中的信息

该研究提出了一种有效的算法，它能够在 Pauli 噪声下从量子态中恢复信息，具有多项式时间复杂度和样本效率优势，并可作为 Clifford 电路的一个样本高效的错误缓解方案。

May, 2023

具噪声鲁棒性的变分混合量子 - 经典优化

采用参数量子电路迭代地获得变分态，考虑噪音和量子测量结果的随机性，使用与变分态相关的量子费舍尔信息界限定结果精度，并通过实验展示该算法在不同噪声强度下的鲁棒性。

Dec, 2019