Q-fid：基于 LSTM 网络的量子电路保真度提升
量子物理
2025-05-22 v4 人工智能
新兴技术
机器学习
摘要
量子电路（QC）的保真度受若干因素影响，包括硬件特性、校准状态以及转译过程，所有这些都影响其受噪声影响的程度。然而，由于错误率的波动以及缺乏标准化的保真度度量，现有方法难以估计和比较不同电路布局的噪声性能。本工作中引入 Q-fid，一种基于长短期记忆（LSTM）的保真度预测系统，并附带一种旨在量化量子电路保真度的新颖度量。Q-fid 提供了一种直观方式来预测含噪中等规模量子（NISQ）电路的噪声性能。该方法将保真度预测构建为时间序列预测问题，以分析令牌化电路，捕捉门序列的因果依赖及其对整体保真度的影响。此外，该模型能够动态适应硬件特性的变化，确保在不同条件下准确的保真度预测。Q-fid 实现了高预测精度，平均 RMSE 为 0.0515，比 Qiskit 转译工具 mapomatic 精确至多 24.7 倍。通过提供可靠的保真度预测方法，Q-fid 使开发者能够优化转译策略，从而实现更高效且抗噪的量子电路实现。
引用
@article{arxiv.2303.17523,
title = {Q-fid: Quantum Circuit Fidelity Improvement with LSTM Networks},
author = {Yikai Mao and Shaswot Shresthamali and Masaaki Kondo},
journal= {arXiv preprint arXiv:2303.17523},
year = {2025}
}
备注
Code: github.com/yikaimao/Q_fid Dataset: kaggle.com/datasets/ykmaoykmao/q-fid-datasets