few-shot 跨设备量子噪声建模迁移

在噪声中间规模量子 (NISQ) regime 中，量子设备包含特定硬件的噪声源，这限制了设备无关的误差缓解策略。我们探索迁移学习方法，以帮助少量数据将一个量子设备上学习的噪声模型应用于另一个设备。我们从两台 IBM 量子设备（ibm_fez 作为源设备，ibm_marrakesh 作为目标设备）创建了一个真实硬件数据集，包含 170 个带噪声和理想电路输出分布，并添加了设备校准特征。我们在源设备上训练残差神经网络，将噪声结果映射到理想结果。零样本迁移测试显示 KL 发散为 1.6706（较 0.3014 高出），表明设备特异性。随着 K=20 项微调样本，KL 下降至 1.1924（较零样本提高了 28.6%），恢复了 34.9% 的零样本与领域内 KL 之间的差距。消融研究表明，跨设备之间的主要不匹配来源是 CX 门错误，其次是读出错误。结果表明，量子噪声可通过最小样本进行学习和微调，并为跨设备量子误差缓解提供了可行的方法。