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
本文提出了一种名为 CQC 的考虑到诸多因素的抗串扰量子程序编译框架,它能够在保持电路深度的同时提高抗串扰能力,特别是 VQA 算法中,我们演示了使用 IBM Q Guadalupe 的 H4 分子,相对于现有技术,我们的框架降低了 49%的电路深度,并提高了 9.6%的保真度。
Jul, 2022
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
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
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
光子集成电路在光计算领域发挥着重要作用,光信号的特性使其相比数字对应物具有更快速和更高效率的运算能力。然而,热串扰等确定性现象使得精确程序化光芯片编程成为一项具有挑战性的任务。本研究训练和实验评估了三种模型,结合不同程度的物理直觉,以预测可编程光子网格中不同位置的热串扰效应。我们通过芯片中的微环谐振器功率谱中的谐振波长漂移量来量化热串扰效应,实现建模误差小于 0.5 pm。通过补偿串扰引起的波长漂移,我们对模型进行了实验验证。最后,我们通过利用该模型预测和补偿未经训练的芯片部分的热串扰效应来评估其泛化能力,显示均方根误差小于 2.0 pm。
Mar, 2024
该研究对噪声对量子神经网络的影响进行了全面分析,研究了 Mottonen 状态准备算法在各种噪声模型下的表现,并研究了量子状态在多层量子神经网络中的退化。此外,该论文评估了噪声对预训练量子神经网络性能的影响,并强调了噪声模型在量子计算中所带来的挑战。该研究结果对量子软件的发展具有重要意义,强调了在开发可靠和可信赖的量子神经网络时优先考虑稳定性和噪声修正措施的重要性,为量子计算和量子机器学习领域的数据库添砖加瓦,提供了对噪声对量子神经网络影响的新洞察,为更强大和有效的量子算法的发展铺平了道路。
Nov, 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