Statistical Signal Processing for Quantum Error Mitigation
本文提出了一种用于量子误差缓解的统计信号处理框架，该框架结合了一个用于消除去极化噪声的滤波阶段和一个用于推导无噪声输出最大似然估计的期望最大化算法，并在模拟及合成的 NISQ 数据上证明了其有效性和可扩展性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在当前的量子计算时代，机器虽然强大但并不完美。它们正处于一个被称为“嘈杂中等规模”的阶段，即这些设备已经大到足以尝试复杂的计算，但又小到还无法完全纠正自身的错误。核心挑战在于，这些机器对环境极其敏感。当量子电路运行时，它所承载的脆弱信息极易被随机干扰所扰乱，就像是在嘈杂的房间里丢失了低语声一样。为了获得有用的结果，科学家们必须使用一种称为“量子误差缓解”的技术。这并不是关于修复机器本身，而是关于利用经典计算机在量子机器完成工作后清理混乱的数据。其目标是观察那些带有噪声、受损的输出，并推断出原本应该是怎样的干净、正确的答案。
来自北卡罗来纳州立大学和里斯本高等技术学院的研究团队开发了一种新的清理方法，将这个问题视为一个统计信号处理任务。他们并没有试图预测机器会如何失效，而是构建了一个模型，假设噪声以两种特定方式运行。首先，他们假设深度电路经常产生看起来像随机静电的结果，即每种可能的答案出现的可能性都相等。其次，他们考虑了简单的错误，即在读取过程中，单个比特的信息从零变为一或从一变为零。通过分离这两类错误，研究人员创建了一种两步走的方法来恢复真实的信号。
该方法的第一个步骤充当了一个过滤器。想象一个充满人们大声喊出答案的房间。如果大部分喊叫只是随机的噪声，那么就无法听到真正的答案。研究人员的算法扫描量子机器采集的数千次测量结果，并识别出那些看起来像这种随机静电的模式。随后，它会丢弃这些无用的测量值，只留下那些带有结构线索的数据。这个过程剥离了压倒性的背景噪声，使得剩余的数据更容易进行分析。
一旦随机噪声被移除，团队就会使用一种被称为“期望最大化”的数学技术进行第二步处理。这是一个迭代过程，计算机会对正确答案做出一个合理的猜测，检查该猜测与剩余数据的拟合程度，然后不断优化该猜测。它一遍又一遍地重复这个循环，缓慢地逼近最可能的真实解。与其他假设只有一个正确答案的方法不同，这种方法旨在处理量子算法可能具有多个有效结果的情况。它也不需要预先知道存在多少个正确答案；它在处理过程中会自动得出结论。
研究人员通过模拟以及来自 IBM 量子处理器的真实数据测试了这种方法。他们在拥有多达 14 个量子比特（即量子信息的基本单位）的系统上进行了实验。在这些测试中，该方法表现得非常高效，能以极少的误差恢复正确答案。与其他现有的用于清理量子数据的统计技术相比，他们的方法表现更佳，在许多情况下达到了近乎完美的准确度。团队还通过为拥有 128 个量子比特的大型系统生成合成数据，测试了该方法的极限。即使在这样一个具有重度噪声的模拟环境中，算法也成功识别出了正确的解，这表明该方法可以扩展到未来的大型机器上。
研究强调，成功的关键在于对噪声建模的特定方式。通过承认深度电路经常产生均匀的随机分布误差，研究人员能够在尝试解决谜题之前过滤掉最严重的干扰。他们发现，通过足够的测量，算法可以确定正确解的数量并高精度地识别它们。然而，研究人员谨慎地指出，他们的工作并非针对所有量子问题的最终解决方案。他们的方法假设误差是对称的，并且尚未考虑到真实硬件中发生的更复杂的量子比特间相互作用。此外，目前的实现依赖于一种特定的噪声模型，该模型适用于某些电路，但对于其他电路可能需要进行调整。
尽管存在这些局限性，但研究结果提供了一条充满希望的前行之路。团队展示了通过将经典信号处理原理应用于量子数据，可以从噪声极大的机器中提取可靠信息。他们的工作表明，我们并不一定非要等待完美的、容错的量子计算机出现才能获得有用的结果。相反，借助合适的统计工具，我们可以让今天的这些嘈杂机器变得更加强大。研究结果表明，原则性的统计方法可以为误差缓解提供可扩展且具解释性的解决方案，为提高近期量子计算的可靠性提供了一种切实可行的方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。