读取噪声中串扰效应的建模与抑制及其在量子近似优化算法中的应用

我们引入一种可有效描述与表征的相关测量噪声模型，并允许在边缘概率分布层面进行高效噪声抑制。噪声抑制可至某一误差范围内，我们推导了其上界。该模型的表征通过使用对角探测器重叠层析（Diagonal Detector Overlapping Tomography）高效完成——这是近期提出的量子重叠层析（Quantum Overlapping Tomography）在具有受限局域性的读取噪声重构问题上的推广。该过程允许使用 $O(k2^klog(N))$ 个包含 X 与恒等门随机组合的线路来表征 $N$ 量子比特器件上的 $k$-局域测量串扰。我们在 15（23）个量子比特上使用 IBM（Rigetti）的器件进行实验，以测试该噪声模型与误差抑制方案，并与无抑制相比获得平均误差降低因子 $>22$（$>5.5$）。有趣的是，我们发现测量噪声中的关联并不对应于器件的物理布局。此外，我们从数值上研究了读取噪声对量子近似优化算法（QAOA）性能的影响。我们在模拟中观察到，对于众多目标哈密顿量，包括随机 MAX-2-SAT 实例与 Sherrington-Kirkpatrick 模型，噪声抑制改善了优化质量。最后，我们给出理由说明为何在 QAOA 优化过程中，局域能量（或代价）项的估计常表现为不相关变量，这相比悲观的误差分析极大降低了能量估计的采样复杂度。我们还表明，对于 Haar 随机量子态与浅深度随机线路生成的态，预期有类似效应。