量子科技中心_量科网

读取错误是从近期的量子处理器中提取可靠信息的主要瓶颈，尤其是在空间相关性不可忽略的情况下。该研究提出了一种统一的张量网络框架，将读取过程建模为矩阵乘积算子(MPO)，从而能够在非相关近似之外实现高效的特性刻画与缓解。MPO模型通过校准数据的似然优化进行训练，并适用于多种任务，包括非局域可观测量估计、随机电路采样以及随机测量协议（如经典阴影和基于学习的层析成像）。在超导处理器上的实验和最多20个量子位的数值模拟表明，MPO模型捕捉到了非相关模型所遗漏的相关读取错误，其样本成本仅随系统规模近似线性增长。当扩展到二维系统时，该框架还可与张量网络量子纠错解码器集成，通过对数据和读取错误进行联合推理。这些结果表明，张量网络读取错误缓解方法是一种可扩展且多功能的噪声感知量子数据处理方案。