提升基于学习的误差缓解的效率
量子物理
2025-05-08 v2
摘要
误差缓解将在近期噪声量子计算机的实际应用中发挥重要作用。当前的误差缓解方法通常以校正质量为重，而牺牲了经济性（以对量子硬件额外调用次数为度量）。为满足对高精度且低成本技术的需求，我们提出了一种基于 Clifford 数据回归（CDR）的误差缓解方案。该方案通过精心选择训练数据并利用问题的对称性来提升经济性。我们在 IBM Toronto 量子计算机上通过校正 XY 哈密顿量基态的长程关联子来测试我们的方法。我们发现，与原始 CDR 方法相比，我们的方法成本低一个数量级，同时保持相同的精度。效率的提升使我们仅用低至 次采样的预算即可对未缓解结果实现 倍的改进。此外，我们展示了在使用 IBM 基于 Ourense 的噪声模型模拟的 LiH 基态能量缓解中，经济性获得了数量级的提升。
引用
@article{arxiv.2204.07109,
title = {Improving the efficiency of learning-based error mitigation},
author = {Piotr Czarnik and Michael McKerns and Andrew T. Sornborger and Lukasz Cincio},
journal= {arXiv preprint arXiv:2204.07109},
year = {2025}
}
备注
22 pages, 10 figures, new analytical and numerical results, a version accepted by Quantum