量子科技中心_量科网

在嘈杂的中等规模量子（NISQ）体系中，量子设备固有的硬件噪声限制了设备无关的错误缓解策略。研究人员探索了迁移学习方法，利用少量数据将在某量子设备上学习到的噪声模型迁移至不同设备。该工作基于IBM量子设备ibm_fez（源设备）和ibm_marrakesh（目标设备）构建了真实硬件数据集，包含170组含噪与理想电路输出分布，并附加了设备校准特征。 研究团队在源设备上训练残差神经网络以实现含噪结果到理想结果的映射。零样本迁移测试显示KL散度为1.6706（较原始设备上的0.3014显著上升），证实了设备特异性。当使用K=20个微调样本时，KL散度降至1.1924（较零样本提升28.6%），填补了零样本与域内性能差距的34.9%。 消融实验表明，跨设备失配的主要原因是CX门误差，其次是读出误差。该成果证明量子噪声可通过少量样本进行学习与微调，为跨设备量子纠错提供了可行路径。