量子科技中心_量科网

机器学习为量子纠错缓解提供了可扩展的解决方案。然而，如何为训练数据选择合适的泡利字符串仍是一个挑战。现有方法依赖启发式或均匀随机采样，需要针对哈密顿量中的每一个泡利字符串采集数据，这一过程的复杂度随测量次数线性增长，并随系统规模扩大而增加。为解决这一问题，**该研究**提出了一种基于泡利权重先验知识的量子纠错缓解方法（Pauli weight quantum error mitigation (Pi-QEM)），这是一种根据泡利权重系统选择训练观测量的框架。通过利用参数化量子电路中方差与局域性之间的关联，Pi-QEM 仅需训练少数权重较低的占主导地位的泡利字符串。在一台嘈杂的IBM量子后端上对分子系统进行的数值模拟中，Pi-QEM 仅使用单个占主导地位的局域观测量，便将基态能量估计误差降低了多达34.01%，为在NISQ设备上实现高效、可扩展的高精度纠错缓解提供了一条可行路径。