噪声抗性自适应哈密顿量学习
量子物理
2025-01-15 v1
摘要
消除和减少噪声影响对于从噪声中间规模量子(NISQ)设备获取精确实验结果至关重要。在本工作中，提出了一种用于数据分析和量子态模拟的自适应哈密顿量学习(AHL)模型，以克服量子机器学习算法的低效率和噪声影响问题。首先，通过分解包含惩罚哈密顿量的单元算符来构建一种具备噪声抗性的自适应参数化量子电路。然后，开发了基于 AHL 的噪声抗性量子神经网络(RQNN)，通过更新迭代参数来提高量子神经网络的噪声鲁棒性。最后，在 Paddle Quantum 上的实验表明，RQNN 能在 NISQ 设备上模拟数学函数并获得准确的分类结果。与量子神经网络相比，在幅度耗尽噪声的影响下，RQNN 在相同非线性离散数据分类下保持高准确率，准确率达 98.00%。这为解决 NISQ 设备上的实际问题提供了新的可能性，也有助于解决日益复杂的问题，这将扩展量子机器学习模型在未来潜在应用的范围。
引用
@article{arxiv.2501.08017,
title = {Noise-resistant adaptive Hamiltonian learning},
author = {Wenxuan Wang},
journal= {arXiv preprint arXiv:2501.08017},
year = {2025}
}