量子科技中心_量科网

当前量子处理器中的误差对实现实用规模的量子机器学习（QML）构成了重大挑战。这些误差会导致因噪声引发的“贫瘠高原”现象而出现训练困难，同时即便QML模型未出现贫瘠高原，深层电路中的噪声累积仍会导致性能下降。虽然量子纠错（QEC）协议正在被开发以克服硬件噪声，但其极高的时空开销（主要源于魔幻态蒸馏）使得短期内难以实际应用。该工作提出了针对量子机器学习模型的部分量子纠错（QEC）理念，并找到了一个省略蒸馏操作却能显著降低资源开销的优化平衡点。通过假设双量子比特CNOT门（克利福德操作）已实现纠错，研究人员证明当单量子比特门面临约0.2%的去极化噪声时（相当于随机基准测试中约0.13%的门错误率），QML模型仍可保持可训练性。基于多种噪声模型的进一步分析（如低温下的相位阻尼和热耗散通道）表明：QML模型的训练能力不受过旋转平均角度影响，甚至可能通过热阻尼效应得到提升——该效应能使量子态远离去极化而纯化。虽然构建能实现完全容错QML的量子处理器可能还需数年时间，但该研究为在噪声环境中实现可训练且高精度的QML提供了资源高效的解决方案。