面向噪声模型的混合量子神经网络鲁棒性评估：系统级误差缓解
量子物理
2026-04-21 v1
摘要
量子神经网络 (QNN) 代表着量子机器学习 (QML) 的一个有前景的方向，但其在噪声中间规模量子 (NISQ) 设备上的实现仍受到退相干、门缺陷、串扰和读出误差的限制。本研究系统评估了混合量子神经网络 (HQNN) 中的噪声效应与缓解策略。将零噪声外推 (ZNE)、数字动态分解 (DDD) 和层级Richardson外推 (LRE) 集成到开发于PennyLane的端到端QNN训练管道中，模拟于Qiskit Aer噪声模型中，并集成到Mitiq框架中；同时单独评估了概率误差消除 (PEC)，其计算成本较高。针对Iris数据集，在五种代表性噪声通道下的实验表明，噪声与缓解的效果强烈依赖于噪声模型及其强度。在相位翻转和相位衰减噪声下，模型保持较强性能；而在高强度去极化和振幅衰减噪声下则出现显著退化。在评估的各种缓解方法中，所观察到的收益有限且噪声依赖：ZNE、DDD和LRE通常遵循与未缓解基线相同的退化趋势，而PEC仅在低噪声去极化 regime 中显示有限收益。这些发现凸显了针对实际NISQ环境中QNN鲁棒性进行 context-specific 缓解策略的必要性。
引用
@article{arxiv.2604.17515,
title = {Robustness Evaluation of Hybrid Quantum Neural Networks under Noise Models via System-Level Error Mitigation},
author = {Jesse Roberta Mingue Njiki and Nouhaila Innan and Alberto Marchisio and Muhammad Kashif and Jean-Michel Dricot and Muhammad Shafique},
journal= {arXiv preprint arXiv:2604.17515},
year = {2026}
}
备注
9 pages, 8 figures