量子科技中心_量科网

NISQ时代对量子计算施加了严格限制，其中噪声和退相干从根本上限制了性能。在经典深度学习中，模型对扰动的鲁棒性和韧性已得到充分研究：深度神经网络（DNN）即使在剪枝、噪声注入和结构扰动下也能保持高性能，这得益于其表征中的固有冗余。量子机器学习的一个核心挑战是，如何在真实的NISQ噪声条件下，将这种鲁棒性概念迁移至量子神经网络（QNN）。尽管经典深度学习通过结构冗余展现了鲁棒性，但QNN的类似原理尚不成熟。该团队提出了JGRA：一个通过雅可比几何评估噪声感知QNN鲁棒性的框架，该框架捕捉模型对噪声引起的参数扰动的敏感性。该工作的方法包括熵匹配噪声校准、噪声感知训练以及基于噪声条件的雅可比提取，从而生成将清洁状态结构与噪声推理行为联系起来的几何描述符。研究人员还通过实验证明，这些描述符编码了关于在未见噪声下鲁棒性的预测信息。