基于贝叶斯神经网络的量子设备概率灰盒表征
量子物理
2025-09-30 v1
摘要
灰盒表征方法允许隐式噪声模型且平台无关，但缺乏不确定性量化。量子设备的表征是关键过程，使研究人员能够从实验设置中获取见解。灰盒表征将已知系统动力学与未知变换相结合，其中后者使用机器学习进行建模。预测不确定性有助于研究人员做出明智的决策。它允许在不产生过度自信的情况下，从设备中获取宝贵见解。因此，我们开发了使用贝叶斯神经网络的概率灰盒表征模型，并直接利用二进制测量结果进行推理。对于具有随机噪声的量子设备，我们分析测量数据的统计属性。我们的结果表明，模型的预测性能仅取决于其捕获真实期望值期望值的能力。我们提出的概率灰盒模型在捕获观察数据分布方面相较于原始模型提高了最高可达1.9倍。我们期望我们的结果将作为一种无需对设备噪声模型进行广泛先验知识即可利用的灵活工具，为具有不确定性估计的量子设备表征提供额外的选择。
引用
@article{arxiv.2509.24232,
title = {Probabilistic Graybox Characterization of Quantum Devices with Bayesian Neural Networks},
author = {Poramet Pathumsoot and Michal Hajdušek and Rodney Van Meter},
journal= {arXiv preprint arXiv:2509.24232},
year = {2025}
}
备注
12 pages, 6 figures, 2 tables