后处理阶段应用深度神经网络实现量子误差抑制
量子物理
2022-09-09 v4
摘要
深度神经网络（DNN）可在后处理阶段用于改善噪声中等规模量子（NISQ）处理器上量子计算的结果。本文提出一种基于该思想的方法，其最适用于由Trotter步构成的周期性量子电路特征所刻画的数字量子模拟。我们方法的一个关键要素是，在训练阶段不需要来自经典模拟器的任何数据。该网络被训练为将来自人工增加Trotter步数（噪声水平）的量子硬件所获得的数据，变换为未做此种增加时所获得的数据。额外的Trotter步是虚构的，即它们包含可忽略的小旋转，并且在不存在硬件缺陷时本质上退化为恒等门。这在训练阶段保留了有关相关量子电路特征的信息。我们考虑了两个具体例子，即横场Ising链和XY自旋链的动力学，它们是在两台真实的五量子位IBM Q处理器上实现的。结果表明，DNN的应用显著抑制了误差，使我们能够按Trotter步有效增加量子电路深度。
引用
@article{arxiv.2105.07793,
title = {Quantum error reduction with deep neural network applied at the post-processing stage},
author = {A. A. Zhukov and W. V. Pogosov},
journal= {arXiv preprint arXiv:2105.07793},
year = {2022}
}
备注
11 pages