利用神经网络通过零噪声外推增强量子变分算法
量子物理
2024-03-13 v1 机器学习
摘要
在新兴的量子计算领域，变分量子本征求解器（VQE）作为一种解决复杂量子问题的有前景的算法脱颖而出，特别是在含噪声中等规模量子（NISQ）时代。然而，量子设备中普遍存在的噪声往往限制了 VQE 结果的准确性和可靠性。本研究引入了一种新颖的方法，通过在 VQE 计算中利用神经网络进行零噪声外推（ZNE）来改善这一挑战。通过采用 Qiskit 框架，我们使用 RY-RZ ansatz 构建了参数化量子电路，并检查了它们在不同程度的去极化噪声下的行为。我们的调查范围从确定在不同噪声强度下定义为 Z 算子张量积的哈密顿量的期望值，到提取基态能量。为了将噪声下观察到的结果与理想的无噪声场景联系起来，我们在错误概率及其相关的期望值上训练了一个前馈神经网络。值得注意的是，我们的模型成功地预测了假设无噪声条件下的 VQE 结果。通过将模拟结果与真实量子设备执行结果进行对比，我们揭示了由噪声引起的差异，并展示了我们基于神经网络的 ZNE 技术在纠正这些差异方面的有效性。这种集成方法不仅为在 NISQ 设备上提高 VQE 计算精度铺平了道路，也强调了混合量子 - 经典范式在规避量子噪声带来的挑战方面的巨大潜力。通过这项研究，我们展望了一个量子算法可以在噪声设备上可靠执行的未来，使我们离实现量子计算的全部潜力更近一步。
引用
@article{arxiv.2403.07025,
title = {Enhancing Quantum Variational Algorithms with Zero Noise Extrapolation via Neural Networks},
author = {Subhasree Bhattacharjee and Soumyadip Sarkar and Kunal Das and Bikramjit Sarkar},
journal= {arXiv preprint arXiv:2403.07025},
year = {2024}
}