← 最新论文
⚛️ 量子物理

Restoring quantum neural network trainability through reusable calibration

本文介绍了一种保持结构的误差缓解框架,该框架通过重用单个参考电路的校准过程来构建用于观测值和导数的正则化估计量,从而在无需在每个训练步骤中进行重复校准的情况下,增强了量子神经网络在硬件噪声下的可训练性,进而提升了收敛性和性能。

原作者: Ruizhe Shen, Xianquan Yan, Kenji Kawaguchi, Ching Hua Lee

发布于 2026-11-18
📖 1 分钟阅读🧠 深度阅读

原作者: Ruizhe Shen, Xianquan Yan, Kenji Kawaguchi, Ching Hua Lee

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

在构建能够从数据中学习的机器的过程中,科学家们正在探索一个领域,在那里,经典物理学的规则让位于量子世界的奇异逻辑。在这项努力的核心是量子神经网络,这些系统旨在通过操纵电子或光子等粒子来寻找信息中的模式。这些机器不仅仅是在进行数字运算;它们通过测量被称为“可观测物理量”的特定量子态属性,并根据这些测量揭示的结果来调整其内部设置,从而引导自身的学习过程。然而,一个长期的障碍一直威胁着这一进展:量子系统极度的脆弱性。在现实世界中,即使是来自环境的微小干扰——热量、振动或电磁噪声——也会扭曲机器进行学习所需的信号。这种噪声就像一层雾,模糊了机器的设置与其产生的结果之间的联系,往往使得系统无法区分一个好的解决方案和一个坏的解决方案。如果没有一种清除这层雾的方法,量子学习的承诺将一直停留在理论阶段,无法在目前存在的这些不完美的硬件上可靠地运行。

新加坡国立大学的一个研究团队开发出了一种实用的方法来穿透这种噪声,使量子神经网络即使在当今不完美的设备上也能有效地学习。他们的方法侧重于一种发生在量子电路执行过程中(而非仅仅在读取最终结果时)的特定类型误差。该团队并没有试图单独修复每一个微小的误差源,也没有在学习过程的每一步都运行复杂且耗时的校正,而是创建了一种依赖于单一、可重复使用的校准策略。他们意识到,如果能够绘制出特定的量子电路结构是如何扭曲信息的,他们就可以应用相同的映射来纠正整个训练过程中的数据。

研究人员构建了一个参考电路,该电路镜像了他们打算训练的机器的精确结构、深度和连接,但他们对其进行了编程,使其执行一项简单的任务:保持输入数据完全不变。通过使用不同的初始输入多次运行该参考电路,他们精确测量了硬件是如何扰乱信息的。这个过程产生了一张详细的噪声图谱,他们利用这张图谱构建了一个能够逆转这种扭曲的数学工具。至关重要的是,这个工具被设计为可重复使用的。一旦创建了该图谱,就可以在实际的学习电路处理新数据时每次都应用它,而无需随着机器调整其内部设置而进行重新计算或重新测量。这与以往的方法有显著不同,以往的方法通常需要每一步都对系统进行重新校准,或者运行额外的、昂贵的测试,从而减慢了学习过程。

为了测试他们的想法,团队首先在模拟噪声量子硬件行为的计算机上进行了广泛的模拟。他们设置了一个分类任务,即机器必须将数据分为不同的类别,这是学习算法的一种常见测试。在这些模拟中,未经校正的噪声机器难以取得进步,其学习曲线趋于平缓,因为噪声抑制了它需要遵循的信号。相比之下,使用可重复使用校准的机器学习速度更快,其性能紧密匹配理想的无噪声系统。研究人员观察到,校正恢复了学习景观的锐度,使机器能够清晰地辨别好设置与坏设置之间的差异。这种清晰度转化为一条更陡峭、更直接的通往最佳解决方案的路径,使系统能够在比未经校正的版本少得多的步骤内收敛到一个高准确度的结果。

随后,团队将他们的方法应用于现实世界,在由 IBM 提供的实际量子处理器上进行了测试。在这里,挑战更加直接,且噪声更加难以预测。他们运行了一个简化的优化循环,要求硬件调整其设置以最小化特定的误差值。即使在这样的现实环境中,校准也被证明是有效的。经过校正的系统达到了显著低于未经校正系统的误差值,证明了该方法能够经受住物理硬件的考验。结果表明,尽管存在硬件噪声,机器仍能保持其学习能力,证实了该策略不仅是一个理论练习,而且是一个可用于实际应用的有效工具。

这项工作最引人注目的方面或许是它的可扩展性。研究人员构建了一个由二十五个独立通道组成的模块化量子网络,每个通道包含四个量子比特,总计一百个量子比特。在传统方法中,校准这样一个庞大的系统将需要大量的时间和资源,因为人们可能会预期需要为机器的每一个部分都准备一个独特的校准。然而,由于这些通道共享相同的底层结构和噪声特性,团队能够使用他们为其中一个小模块创建的单一校准图谱来应用于所有二十五个通道。这种复用使得他们可以在不增加校准成本的情况下,对整个百量子比特系统的特征进行校正。结果显示,该系统的表现明显优于未经校正的版本,恢复了大部分因噪声而损失的准确度。

研究结果表明,量子机器学习的未来路径并不一定需要等待完美、无误差的硬件。相反,通过理解并绘制出当前设备扭曲信息的特定方式,研究人员可以构建出高效且可重复地纠正这些误差的工具。该研究表明,保持电路结构在校准过程中的完整性,可以实现一种稳定的校正,这种校正即使在机器学习和变化时依然有效。这种方法为提升当今量子学习的性能提供了一种切实可行的方式,无需进行持续且耗费资源的重新校准,就能将带有噪声、不完美的机器转变为合格的学习者。这项工作确立了:只要拥有正确的校准方式,噪声之雾便可以被拨开,从而显现出量子计算机真正实现学习所需的清晰信号。

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。

试用 Digest →