← 最新论文
⚛️ 量子物理

Beyond Error Mitigation: Using Boosting for Noisy Quantum Machine Learning

本文表明,在监督式量子机器学习中,通过利用特定任务的信息以避免代价高昂的理想无噪声输出重建,通过对带有噪声的参数化量子电路进行提升,可以实现比概率误差抵消更少的电路执行次数和更高的测试准确率。

原作者: Anastasiia Lukianenko, Yash J. Patel, Nurbolat Kenbayev, Vedran Dunjko

发布于 2026-11-20
📖 1 分钟阅读🧠 深度阅读

原作者: Anastasiia Lukianenko, Yash J. Patel, Nurbolat Kenbayev, Vedran Dunjko

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

在构建实用的量子计算机的竞赛中,科学家们面临着一个顽固的障碍:噪声。与理论中构想的纯净、无误差的计算不同,真实的量子机器是脆弱的。它们的组件(被称为量子比特)极易受到环境的影响,导致它们所持有的信息在计算完成之前就变得混乱。多年来,解决这一问题的标准方法是尝试在错误发生时对其进行修复。被称为“误差缓解”(error mitigation)的技术就像一个过滤器,试图从最终结果中剥离噪声,以揭示理想、完美的机器本应产生的结果。然而,这种过滤过程的成本极其高昂。为了获得清晰的答案,研究人员通常必须将相同的计算运行数千次甚至数百万次,希望通过这些带有噪声的尝试的统计平均值最终抵消掉误差。这种对重复运行次数(或称“采样次数”,shots)的海量需求,威胁着要让量子计算变得过于缓慢且资源密集,以至于无法胜任许多现实世界的任务。

由 Anastasiia Lukianenko、Yash J. Patel、Nurbolat Kenbayev 和 Vedran Dunjko 开展的一项新研究挑战了这样一个假设:即我们必须始终追求完美、无噪声的重建。研究人员提出了一个更简单、更实际的问题:如果目标仅仅是做出一个正确的决策(例如将数据分为两类),那么机器是否需要知道每一个中间计算的精确、完美的值?他们发现,对于许多学习任务而言,答案是否定的。研究团队表明,与其试图清理每一个单一的噪声结果,不如采用一种称为“提升法”(boosting)的策略,拥抱噪声并将其转化为效率。这种方法将许多不完美的、带有噪声的量子模型组合成一个单一且强大的预测器。他们的模拟表明,这种方法可以达到与传统误差校正方法相同的准确度,但所需的量子电路执行次数显著减少,尤其是在机器规模变大且噪声增加的情况下。

研究人员专注于一种常见的类型问题,即“二元分类”(binary classification),即计算机必须决定一个输入属于哪一类,例如区分两种类型的图像。在这种设定下,计算的具体数值并不那么重要,重要的是它的符号——即结果是正还是负——这决定了最终的标签。团队比较了处理噪声量子电路的两种不同方法。第一种方法被称为“概率误差消除”(probabilistic error cancellation),它试图通过数学手段逆转噪声的影响。它通过多次运行电路并重新加权结果,来模拟一个完美的、无噪声的输出。虽然这种方法在理论上是成立的,但研究人员指出,运行电路的次数会随着电路规模和噪声强度的增加而呈指数级增长。这就像试图通过不断提高音量来听清飓风中的低语;最终,所需的努力将变得无法实现。

第二种方法——“提升法”——则走了一条不同的道路。它不再试图修复噪声,而是将带有噪声的量子电路视为“弱学习器”(weak learners)——即仅比随机猜测好一点点的模型。该算法逐个训练这些弱模型,每次都更加关注前一个模型出错的样本。通过组合许多这类不完美模型的预测,系统可以构建出一个强大且准确的分类器。这项研究的核心洞察在于,这个过程并不要求单个模型是完美的。只要它们保留了足够有用的信息,使其能做出比随机猜测稍好一点的判断,这种组合就能取得成功。研究人员在四量子比特量子计算机上模拟了这个过程,测试了不同深度和不同物理噪声水平下的电路。他们设定了一个特定的准确度目标,并测量了每种方法达到该目标所需的电路运行次数。

结果显示,效率的提升情况取决于具体的条件。当噪声较低且电路较浅时,传统的误差缓解方法具有竞争力。然而,随着电路变深和噪声增强,误差缓解方法的成本急剧飙升。相比之下,提升法保持了高效。在不同噪声水平和电路深度的五十六次特定对比中,提升法在三十九次中表现出比误差缓解法更少的电路执行次数,从而达到了相同的学习目标。在某些情况下,这种差异非常显著,误差缓解法所需的运行次数比提升法多出许多倍。此外,提升法不仅节省了资源,而且与误差缓解法产生的模型相比,它在处理新的、未见过的观测数据时,其准确度也略高。

研究还观察了这些理论预测在实践中的表现如何。研究人员运行了模拟实验,其中他们明确统计了每一次测量采样(measurement shot)的使用情况,而不仅仅是估算成本。他们发现,即使考虑到运行提升算法本身的开销,总体的资源成本通常也低于尝试清理噪声的成本。这表明,普遍的观点——即在学习之前必须支付沉重的代价来消除噪声——对于许多任务来说可能是不必要的。研究人员强调,他们的发现是基于对特定类型噪声和特定学习任务的模拟,但其原理是稳健的:如果目标是做出正确的决策而非得到一个完美的数值,那么保留那些在噪声中幸存下来的信息,通常比试图重建丢失的信息要便宜得多。

这项工作并不声称误差缓解是无用的,也不意味着量子计算机现在已经可以解决所有问题。模拟是在一个小型四量子比特系统上进行的,结果取决于噪声的具体行为方式以及学习任务的性质。然而,这项研究提供了一个极具吸引力的替代方案。它表明,随着量子硬件的改进但仍保持不完美,最有效的策略可能不是用日益昂贵的校正手段去对抗噪声,而是设计出天生对噪声具有鲁棒性的学习算法。通过接受单个量子计算存在缺陷的事实,并专注于如何有效地组合它们,研究人员或许能够以比以往认为的更少的资源实现有用的结果。作者们建议,前进的路径在于设计出能够适应量子机器噪声现实的学习程序,而不是试图强迫它们进入一种可能代价过高的理想化、无误差的状态。

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 →