量子科技中心_量科网

要最大化近期量子处理器的计算效用，必须建立能预测噪声的模型，从而指导稳健的噪声感知编译与错误缓解。传统模型往往无法捕捉真实硬件的复杂错误动态，或需要高昂的表征开销。该研究团队提出了一种基于机器学习的数据高效框架，用于构建超导量子处理器的参数化精确噪声模型。该方法通过直接从现有应用和基准电路的测量数据中学习硬件特定的错误参数，避开了昂贵的表征流程。该框架的通用性和鲁棒性通过在多种量子设备和算法上的综合基准测试得到验证。尤为关键的是，该工作表明仅用小型电路训练出的模型即可准确预测更大验证电路的行为。相比基于设备特性的标准噪声模型，这种数据高效方法将模型保真度（通过预测与实验电路输出分布的Hellinger距离量化）最高提升了65%。该研究为噪声表征建立了实用范式，为开发更有效的噪声感知编译和错误缓解策略提供了关键工具。