基于 IBM 量子硬件上条件量子生成对抗网络算法的分布加载性能检验
量子物理
2024-06-14 v1
摘要
本研究检验了 Fire Opal 错误抑制和 AI 电路优化系统集成到 IBM 量子计算平台后，针对多模态分布加载算法的有效性。使用 Kullback-Leibler (KL) 散度作为定量误差分析，结果表明 Fire Opal 相较于模拟器生成的时间依赖分布提升了 30-40%。此外，Fire Opal 在面对需要运行更多试验的复杂电路时，性能仍保持一致。研究得出结论：Fire Opal 的错误抑制和电路优化显著增强了量子计算过程，凸显了其在实际应用中的潜力。此外，本研究还综述了包括零噪声外推 (ZNE)、概率性错误取消 (PEC)、Pauli 扭转、测量误差抑制和机器学习方法在内的主要错误缓解策略，评估了它们在技术实现、量子资源和可扩展性方面的优缺点。
引用
@article{arxiv.2406.09341,
title = {Investigate the Performance of Distribution Loading with Conditional Quantum Generative Adversarial Network Algorithm on Quantum Hardware with Error Suppression},
author = {Anh Pham and Andrew Vlasic},
journal= {arXiv preprint arXiv:2406.09341},
year = {2024}
}