量子科技中心_量科网

该团队提出了一种从单设备实验的测量分布中学习量子硬件噪声的方法。每个噪声通道由自动可微分的Kraus算子表示，这些算子通过基于Stinespring的参数化获得，构造上完全保持正定性和迹守恒性，并通过矩阵乘积密度算子前向模型进行电路模拟。独立通道分别附加到每种原生门类型、每个最近邻串扰相互作用以及状态制备和测量环节，所有通道针对模拟与实测分布之间的距离进行端到端优化。在IBM的Heron世代超导处理器ibm_fez上，通过对纹波进位加法器电路的训练能够复现设备输出分布；且未经重新训练的相同学习参数，也能跟踪不相关乘法电路的设备分布，表明该方法捕获的是设备固有特性而非对训练电路的过拟合。针对一系列基准电路的系统性评估证实了这种泛化能力具有一致性。研究团队进一步利用学习模型，结合错误检测方案对量子近似优化算法进行离线可行性评估，展示了该框架所支持的噪声感知预测能力。