使用比特翻转平均值对量子比特读取误差进行缓解
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
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
本文研究使用 17 个物理量子位于一个超导电路中,使量子信息编码在距离为 3 的逻辑量子位上。通过量子纠错重复实验,作者在消除纠缠、控制精度受限等因素干扰时,测量和解码比特和相位翻转错误综合使用最小权完美匹配算法并进行后处理修正,以实现高性能、快速和重复的量子纠错周期,证明了量子纠错的可行性和表现良好。
Dec, 2021
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
本文提出了一种优化量子控制实验系统的方法,利用随机基准测试的子集快速推断误差,从而改善单比特和双比特门,最小化门泄漏,识别超导量子位的控制串扰。该方法能够校正参数,使控制误差不再占主导地位,并适用于实验系统的自动化和闭环优化。
Mar, 2014
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
这篇论文介绍了近期量子计算技术的各种方法,包括变分量子算法、误差缓解、量子电路编译和基准测试协议等,并指出了它们的应用前景和提高量子设备性能的潜力。
Nov, 2022