Virtual quantum neural networks
本文介绍了“虚拟量子神经网络”，这是一种通过利用随机采样和经典处理来引入完全正映射的线性组合的扩展模型，从而增强了在近期的量子硬件上执行误差缓解、分类和能量估计等任务时的表达能力和噪声鲁棒性。
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，机器已经强大到能够执行令最先进的经典超级计算机都感到棘手的计算，但它们仍然非常脆弱。这些被称为“噪声中等规模量子处理器”的设备，由几百个被称为“量子比特”的微小单元组成。虽然它们可以探索物理学和化学的新领域，但存在一个根本性的缺陷：环境干扰会导致误差，几乎在数据生成的瞬间就使其损坏。为了使这些机器变得有用，科学家们依赖一种称为“量子神经网络”的方法。可以将这想象为一个学习循环：一个通过一组“旋钮”进行调整的量子电路处理信息并产生输出；随后，一台经典计算机检查该输出与预期结果的接近程度，并微调这些旋钮以改进下一次尝试。尽管硬件存在缺陷，这种循环仍能让研究人员训练机器去解决诸如识别数据模式或寻找分子最稳定能量状态等问题。然而，这种传统方法受到了限制，因为它只能探索计算可能性的狭窄路径，受限于单次运行中物理机器实际能够执行的操作。
现在，一组研究人员提出了一种通过改变学习过程运作方式来突破这一障碍的方法。他们不再依赖单个量子电路来承担重任，而是引入了一种名为“虚拟量子神经网络”的新模型。在这种方法中，计算机不仅仅运行一个电路，而是随机采样许多不同的电路（每个电路都有自己的设置），并在量子硬件上运行它们。这些多次运行的结果并非简单地取平均值。相反，一台经典计算机获取所有这些独立实验的数据，并使用特定的数学配方将它们组合起来。这个配方涉及以一种单一物理电路自身永远无法实现的方式对结果进行加减运算。通过混合这些结果，该系统创造了一种“虚拟”操作，这种操作比任何单个电路都要更加灵活且强大。这就像是研究人员发现了一种方法，通过巧妙地缝合多个较简单、噪声较大的输出，来模拟一台复杂得多的机器。
研究人员在三个不同的挑战上测试了这个想法，以观察虚拟方法是否提供了真正的优势。首先，他们解决了由未知噪声引起的误差纠正问题。在标准的量子计算中，修复误差通常需要精确了解影响机器的噪声类型。然而，这种新方法即使在噪声成谜的情况下也能奏效。通过训练虚拟网络来逆转噪声的影响，团队发现他们的系统可以近乎完美地恢复正确信息，即使底层硬件存在缺陷。模拟显示，该方法可以找到抵消误差的最佳方式，其表现几乎与噪声从一开始就被完全理解时一样出色。
接下来，团队将该模型应用于“二分类任务”，这本质上是教机器将数据分为两类，例如区分两种形状。在这项测试中，虚拟网络始终优于传统的量子分类器。当数据被输入系统时，即使用于处理数据的量子门存在噪声，虚拟网络也能学会做出更准确的预测。结果表明，通过允许系统通过随机采样来探索更广泛的可能性，机器变得对通常困扰量子设备的误差更具鲁棒性（稳健性）。
最后，研究人员使用他们的方法来估算分子的基态能量，这项计算决定了原子最稳定的构型，对于理解化学反应至关重要。对于带有噪声的量子计算机来说，这是一项极其困难的任务，因为微小的误差会导致极大的能量值偏差。团队引入了一种基于其虚拟网络的新算法来解决这个问题。他们的模拟显示，通过结合多个噪声电路的输出，该系统估算分子能量的精度显著高于标准方法。虚拟网络有效地过滤掉了噪声，使得研究人员能够比使用相同硬件时更接近真实的物理值。
这项工作的核心发现是，当前量子硬件的局限性并不一定是一个死胡同。通过投入更多时间对多个电路进行采样，并利用经典计算机处理结果，科学家可以解锁更广阔的计算空间。这种方法不需要等待完美的、无误差的机器；相反，它更智能地利用现有的噪声设备。虚拟量子神经网络充当了一个桥梁，将噪声这一弱点转化为一个可控的变量，并扩展了这些早期量子计算机实际能够实现的能力。研究表明，这种灵活的学习范式可以成为一种标准工具，使近期的量子硬件在科学和工程领域的实际应用中变得更加有用。
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。