量子科技中心_量科网

基于机器学习的量子误差缓解（ML-QEM）已成为提高含噪量子算法性能的一种有前景的方法。然而，现有ML-QEM方法通常仅适用于变分电路，且依赖无法获取的无噪声训练数据。该工作提出一种面向变分量子算法的实用ML-QEM协议，通过模拟（近）克利福德电路生成训练数据。该数据用于模型选择与训练，从而生成一个能够校正任意参数变分电路、并可在结构相似的多个目标哈密顿量间迁移的缓解模型。该团队在含各种噪声模型下、针对最多 \(n=12\) 量子比特的Sherrington-Kirkpatrick哈密顿量的变分量子特征求解器（VQE）任务上对所提方法进行了基准测试，分析了其对可训练性的影响，并将其性能与标准零噪声外推法（ZNE）进行了比较。结果表明，在所有测试设置下，该方法均能实现一致的数倍误差抑制，并在高噪声区域表现出优于ZNE的性能，这为所提协议在当今NISQ处理器上的适用性提供了证据。