量子科技中心_量科网

该研究团队系统性地研究了将深度学习方法应用于量子电路测量中噪声输出概率分布的量子误差缓解。研究人员比较了从全连接神经网络到Transformer等多种架构，测试了不同设计/训练模式，发现基于注意力机制的序列到序列模型在数据集上表现最为优异。这些模型在五比特以下的IBM超导量子处理器（QPU）仿真和实测数据中，持续生成更接近理想输出的误差缓解分布。在多种电路深度场景下，该方法优于其他基准误差缓解技术。该工作通过系列消融实验验证了：不同输入特征（电路结构、设备属性、噪声输出统计）对性能的影响；跨电路家族的泛化能力；以及向不同IBM量子处理器的迁移学习效果。实验表明，相同架构的相似设备间无需完整模型重训练即可实现有效泛化。