量子科技中心_量科网

随着量子处理器规模突破100量子比特，区分软件错误与随机硬件噪声成为关键诊断难题。该研究团队提出一种神经模糊框架，通过将自适应神经模糊推理系统（ANFIS）与基于物理原理的特征工程相结合来解决这一归因问题。团队提出的“Bhattacharyya否决机制”植根于数据处理不等式的严格物理约束，可防止分类器将拓扑学上不可能的输出分布归因于噪声。在IBM 156量子比特Heron r2处理器（ibm_fez）上验证的105个涵盖17种算法家族的电路中，该框架实现了89.5%的有效准确率（±5.9%置信区间）。系统设置了安全失效模式，将14.3%的模糊案例标记为需人工复核，而非强制进行低置信度预测。该工作解决了关键性诊断难题——例如区分正确的Grover放大与错误导致的塌缩，并揭示了单基矢诊断的根本局限，包括Z基矢盲区中相位翻转误差在统计上不可见的现象。这项研究建立了一个鲁棒且可解释的诊断层，可防止将误差缓解技术应用于存在逻辑缺陷的量子电路。