量子科技中心_量科网

该团队提出了一种基于物理信息的管线，用于从隐藏的类transmon模拟器生成的有限测量数据中学习有效的量子错误过程。每个物理transmon被建模为一个不完美的qutrit，而学习器仅能获取有限的层析数据，而非微观哈密顿参数。学习到的表示是紧凑的有效模型：每个量子比特的局域仿射Bloch信道，以及在三量子比特扩展中捕获相关误差的成对残差。这些学习到的误差模型通过其在MaxCut问题的量子近似优化算法(QAOA)中缓解代价景观的能力进行操作性评估。一个双量子比特概念验证表明，神经网络方法可以从仅12个局域层析值推断出完整的24参数有效信道，并将QAOA景观可靠性提升约\(20.4\times\)。一项扩展的三量子比特研究表明，局域结构化学习仍能显著提高QAOA可靠性：在\(K=18\)个局域测量下，岭回归和神经网络方法分别将QAOA平均绝对误差从约\(0.1775\)降低至\(0.0269\)和\(0.0306\)。成对探测显著改善了相关误差的可识别性，将成对残差L2误差从约\(1.731\)降低至\(1.122\)。这些结果支持将有效错误过程学习作为一条硬件感知路径，以实现更可靠的变分量子算法。