QuEst：用于量子电路可靠性估计的图Transformer

在不同的量子算法中，用于量子机器学习（QML）的参数化量子电路（PQC）在近 term 设备上展现出前景。为促进 QML 与 PQC 研究，近期发布了一个名为 TorchQuantum 的 Python 库。它能够以高速和便捷的调试支持来构建、模拟和训练用于机器学习任务的 PQC。除量子用于 ML 外，我们希望引起社区对反向方向的关注：ML 用于量子。具体而言，TorchQuantum 库也支持使用数据驱动的 ML 模型解决量子系统研究中的问题，例如预测量子噪声对电路保真度的影响以及提升量子电路编译效率。本文给出 ML 用于量子部分的一个案例研究。由于估计噪声对电路可靠性的影响是理解和缓解噪声的关键步骤，我们提出利用经典 ML 预测噪声对电路保真度的影响。受量子电路自然图表示的启发，我们提出利用图 transformer 模型预测含噪电路保真度。我们首先收集了一个包含多种量子电路的大型数据集，并在含噪模拟器和真实机器上获得其保真度。然后将每个电路嵌入为以门和噪声属性作为节点特征的图，并采用图 transformer 预测保真度。在 5 千个随机与算法电路上的评估表明，该图 transformer 预测器可提供准确的保真度估计，RMSE 误差为 0.04，平均优于简单神经网络模型 0.02。对于随机和算法电路，它分别可达到 0.99 和 0.95 的 R$^2$ 分数。与电路模拟器相比，该预测器在估计保真度上有超过 200 倍加速。