一种用于近 term 量子器件噪声预测的深度学习模型
量子物理
2020-05-22 v1
摘要
我们提出了一种量子电路深度学习编译器的方法，旨在降低在特定器件上运行的电路的输出噪声。我们在来自量子器件的实验数据上训练卷积神经网络，以学习特定于硬件的噪声模型。随后编译器将训练好的网络用作噪声预测器，并在电路中插入门序列以最小化预期噪声。我们在 IBM 5 量子比特器件上测试了该方法，观察到与 Qiskit 编译器获得的电路相比，输出噪声降低了 12.3%（95% CI [11.5%, 13.0%]）。此外，训练得到的噪声模型是特定于硬件的：将在一个器件上训练的噪声模型应用于另一器件仅能带来 5.2%（95% CI [4.9%, 5.6%]）的噪声降低。这些结果表明，使用机器学习的器件专用编译器可能带来更高保真度的操作，并为噪声模型的设计提供见解。
引用
@article{arxiv.2005.10811,
title = {A deep learning model for noise prediction on near-term quantum devices},
author = {Alexander Zlokapa and Alexandru Gheorghiu},
journal= {arXiv preprint arXiv:2005.10811},
year = {2020}
}
备注
5 pages, 4 figures, 1 table. Comments welcome