Efficient and identifiable noise models for symmetry-preserving quantum circuits
该论文引入了 SA-IBF，这是一种具有两个参数的可识别噪声模型，它在保持对称性的量子电路中，其准确度优于标准的独立比特翻转模型，并能与复杂的贝叶斯优化模型相媲美，同时显著降低了计算成本。
原始论文采用 CC BY 4.0 许可（https://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
量子计算机有望解决当今机器无法完成的问题，从设计新药到模拟复杂材料。然而，这些机器极其脆弱。它们所依赖的精细量子态极易受到环境干扰，导致计算机出错。为了理解并修复这些错误，科学家们构建了“噪声模型”。可以将这些模型想象成地形图；它们描述了电路完美的理论输出是如何被硬件杂乱的现实所扰乱的。如果地图是准确的，研究人员就可以预测计算机实际会做什么，并针对错误进行修正。但创建这些地图非常困难。硬件在变化，工作负载在变化，且模型必须既足够简单以发挥作用，又足够详细以符合事实。
对于一类特定的量子电路，理想的结果遵循一个严格的规则：最终答案中“开启”位的数量必须保持不变。这被称为对称性。在现实世界中，噪声有时会打破这一规则，导致计算机将概率泄漏到禁区状态中。由佐治亚大学和田纳西大学查塔努加分校的 Yi Pan 及其团队领导的研究小组，致力于为这些特定电路创建一张更好的地图。他们引入了一种名为 SA-IBF 的新型流线型模型。与将所有错误视为单一、均匀模糊现象的旧模型不同，这种新方法将噪声分为两种截然不同的行为：概率在允许状态内的扩散，以及概率向允许状态外的泄漏。通过将这两者作为独立的特征进行处理，该团队创建了一个既高度准确又具有计算效率的模型。
研究人员在运行于 IBM Heron 量子处理器上的电路上测试了他们的新模型。他们将 SA-IBF 与标准的独立比特翻转模型进行了对比，后者假设每个错误都是独立发生的，并且对对称性的影响与其对内部扩散的影响相同。结果显而易见：在每一项测试中，新模型对实际硬件行为的预测都比旧模型更准确。在一组涉及 230 个不同电路的实验中，新模型生成的预测结果始终比真实数据更接近。这种改进不仅仅是几个百分点的差异；在某些情况下，误差的降低程度大到足以被轻易测量。团队还验证了他们发现的参数在数学上是严谨的，这意味着该模型可以可靠地区分其正在测量的两种噪声类型。
这项工作的特别意义在于新模型的运行速度之快。研究人员将他们的双参数模型与一个需要 21 个参数并使用复杂优化过程进行拟合的复杂模型进行了对比。虽然复杂的模型有时能达到与新模型相当的精度，但其运行时间要长 200 多倍。在一次对比中，新模型在误差极小的情况下达到了与那个 21 参数复杂模型相当的表现，但仅用了不到一秒钟的时间。这种速度至关重要，因为随着硬件的变化，噪声模型需要频繁重新校准。一个需要数分钟或数小时才能拟合的模型对于常规使用是不切实际的，而一个只需数秒即可完成的模型则允许研究人员不断更新对机器的理解。
研究还探讨了这些模型在同一处理器的不同部分之间、甚至在不同处理器之间转移时的表现。团队发现，从一组电路中学习到的参数通常可以很好地应用于同一台机器上的另一组电路，这表明噪声特性在硬件上具有一定的连贯性。然而，他们也注意到，当噪声足够强、清晰可见时，该模型的效果最好。当错误率极低时，模型试图分离的两个特征会变得难以区分，研究人员也仔细记录了这一局限性。
通过专注于这些电路的特定对称性，研究人员能够剥离不必要的复杂性。他们证明了，并不需要对每一种可能的错误进行大规模、详尽的模拟就能获得良好的预测。相反，一个遵循系统规则的简单的、由两个数字组成的描述往往就足够了。这种方法为在当今不完美的机器上运行量子算法提供了一条切实可行的路径。它让科学家们无需等待下一代处理器，只需通过一种更聪明、更快速的方式来理解现有的噪声，就能从现有的硬件中获得更好的答案。
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。