基于神经网络的量子误差缓解中的回波演化数据生成

神经网络为物理系统量子模拟中的误差缓解提供了一种有前景的工具。然而，我们需要有噪声和无噪声的数据来训练神经网络，以缓解量子计算结果中的误差。在此，我们提出一种受物理启发的方法，通过神经网络生成量子误差缓解的训练数据，该方法不需要经典模拟和目标电路简化。具体而言，我们提出利用量子系统的回波演化来收集有噪声和无噪声的数据，用于训练神经网络。在该方法下，初始态随时间向前和向后演化，在演化结束时回到初始态。当在含噪声的量子处理器上运行时，所得态将受到演化过程中累积的量子噪声的影响。拥有初始（无噪声）态和所得（有噪声）态的观测量值向量，使我们能够组成神经网络的训练数据。我们证明，在回波演化生成的数据上训练的前馈全连接神经网络能够校正前向时间演化的结果。我们的发现可以增强神经网络在量子计算误差缓解中的应用。