使用能量采样和外推增强的Clifford数据回归实现量子误差缓解
针对噪声中等规模量子（NISQ）设备上量子算法的实际应用，误差缓解尤为重要。该研究探索并扩展了克利福德数据回归（CDR）方法，利用变分量子本征求解器（VQE）来缓解量子化学模拟中的噪声。通过采用H₄分子和分块酉乘积态（tUPS）拟设，研究人员使用ibm torino噪声模型进行含噪声模拟，详细探究了CDR中各类超参数对误差缓解效果的影响。基于这些发现，该团队提出两项CDR框架改进方案：其一，能量采样（ES）通过仅选择最低能量的训练电路进行回归，使样本能量进一步偏向目标态从而提升性能；其二，非克利福德外推（NCE）将非克利福德参数数量作为新增输入纳入回归模型，使模型能学习电路趋近最优时噪声-理想映射的演变规律。数值结果表明，这两种策略均优于原始CDR方法。
