量子科技中心_量科网

量子误差缓解（QEM）为在噪声中等规模量子（NISQ）设备上估算可靠可观测量提供了实用途径。传统QEM策略（包括零噪声外推法ZNE和Clifford数据回归CDR）依赖于噪声缩放或全局回归，其性能受限于系统自由度的指数级增长。该研究团队构建了一种图增强缓解（GEM）框架，将物理信息融入模型表征中。该工作中，量子电路被编码为属性图——硬件级物理信息映射为节点与边特征：校准参数T₁、T₂及读出误差等局部噪声参数编码于节点，而双量子比特门误差等耦合相关信息则编码为边特征。图神经网络（GNN）被用于建模误差如何沿物理耦合结构传播并形成非局域关联，使模型能捕捉量子比特间的局部相互作用及部分衍生的非局域关联。采用双分支仿射校正以保持与物理约束的一致性。在超导量子处理器上执行的10量子比特和16量子比特随机电路实验表明：GEM在小规模场景下精度与CDR相当，同时在零样本迁移至更大系统时展现出更低平均绝对误差和更好稳定性。传统QEM策略结果表明，全局回归方法在低维场景仍有效，但随着系统自由度增加可靠性下降。相比之下，GEM利用局部物理结构展现出更好的可扩展性和泛化能力，同时保留了整体误差传播模式。该工作提供了一种具有可扩展性且融合物理信息的误差缓解方法，在经典资源有限条件下实现了跨系统规模的一致性能。