物理启发的机器学习用于量子错误缓解

噪声是当前量子计算的主要障碍，机器学习用于量子错误缓解（ML-QEM）有望解决这一挑战，提高计算精度，同时减少标准QEM方法的采样开销。然而，现有模型缺乏物理可解释性，且严重依赖大量数据集，阻碍了它们在大规模量子电路中的可扩展性。为了解决这些问题，我们引入了神经噪声累积代理（NNAS），一种物理启发的神经网络用于ML-QEM，它结合了多层电路中量子噪声累积的结构特征，赋予模型物理可解释性。实验结果表明，NNAS在一系列指标上优于当前方法，包括错误缓解能力、量子资源消耗和训练数据集大小。值得注意的是，对于QEM方法通常难以处理的更深电路，NNAS实现了超过一半的错误减少。NNAS还要求显著更少的训练数据，将数据集依赖减少至少一个数量级，因为它能够快速捕获跨电路层的噪声累积模式。这项工作开创了将量子过程衍生的结构特征整合到神经网络架构中的先河，广泛增强了QEM的性能和适用性，并建立了一个可扩展到各种量子启发神经网络架构的集成范式。