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

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

本文研究如何通过智能代理和投影模拟器适应外部杂波对基于测量的量子计算进行干扰，以及在 Grover 搜索算法中纠正杂散场，为基于智能代理的自适应控制器提供了一种解决量子信息任务的路径。

Jul, 2014

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

通过构建一类本质上为 ε- 差分隐私的噪声通道，我们成功地复制了退极化和随机旋转通道的 ε- 差分隐私边界，从而验证了我们框架的广阔普遍性。我们还使用半定规划构建了一个最优鲁棒通道，在小规模实验评估中证明了使用最优噪声通道相对于退极化噪声的好处，特别是在提高对抗精度方面。此外，我们评估了变量 α 和 γ 对可认证的鲁棒性的影响，并研究了不同编码方法对分类器鲁棒性的影响。

Apr, 2024

本研究提出了一种基于深度学习和强化学习的模型无关方法，实现了实际的贝叶斯量子计量任务，并在一个集成光电电路上证明了比标准方法更高的测量性能，这是实现完全基于人工智能的量子计量的重要一步。

Sep, 2022

该论文研究噪声量子信息通道的特性，定义了一种称为 ' 相干信息 ' 的新量来衡量在噪声通道中传递的量子信息。这种量无法通过量子信息处理增加，它提供了一个简单的必要和充分条件来证明完美的量子纠错存在。

Apr, 1996

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

通过在线学习和阴影层析成像程序，我们研究了适用于量子过程的在线学习任务，尤其着重于具有有界门复杂性和 Pauli 通道的在线学习模型。我们还提供了一种有效的阴影层析成像程序用于 Pauli 通道，并对在线学习的上界和计算下界进行了补充。

Jun, 2024

在这篇论文中，我们提出了 QuantumSEA 方法，通过动态探索电路的稀疏连接并在训练过程中保持少量的量子门，以实现训练时的电路容量，并在真实的量子设备上实现可行的执行；同时通过在真实设备噪声模型下联合优化量子电路的拓扑和参数，提高了噪声鲁棒性。在 7 个量子机器学习和变分量子特征解算器基准测试中进行了广泛实验，QuantumSEA 方法始终明显优于噪声感知搜索、人工设计和随机生成的量子电路基线，即使在最具挑战性的芯片训练模式下，我们的方法仅使用一半的量子门，节省了约两倍的电路执行时间。

Jan, 2024