量子科技中心_量科网

量子硬件中的噪声是实现量子计算变革性潜力的主要障碍。量子误差缓解（QEM）为提升近期设备的计算精度提供了可行路径，但现有方法在性能、资源开销与理论保证之间面临艰难权衡。该研究团队提出“邻域信息学习”（NIL）——一种通用且可扩展的QEM框架，既能统合强化零噪声外推（ZNE）和概率误差消除（PEC）等现有方法，又具备更优的灵活性、准确性、效率及鲁棒性。NIL通过从结构关联的“邻域”电路噪声输出中学习预测目标量子电路的理想输出，其核心创新是采用双设计训练法为机器学习模型生成训练数据。相较于传统基于学习的QEM协议（通过将非克利福德门替换为均匀随机克利福德门来创建训练电路），该工作通过理论分析和数值模拟验证了其更高的精度与效率。此外，研究人员证明所需训练集规模仅随邻域电路总数呈对数级增长，使得NIL可应用于大规模量子电路问题。该研究建立了兼具理论根基与实践效率的QEM框架，为实现噪声硬件上的量子优势开辟了可行路径。