RobustState：通过噪声感知变分训练提升量子态制备保真度
量子物理
2023-11-28 v1 人工智能
硬件体系结构
机器学习
摘要
量子态制备是量子计算中的关键子程序，涉及从初始化的量子比特生成目标量子态。任意态制备算法可大致分为算术分解（AD）和变分量子态制备（VQSP）。AD采用预定义程序将目标态分解为一系列门，而VQSP通过迭代调整ansatz参数来逼近目标态。由于其较短的电路，VQSP特别适用于含噪中等规模量子（NISQ）机器。然而，实现噪声鲁棒的参数优化仍具挑战性。我们提出RobustState，一种结合高鲁棒性与高训练效率的新型VQSP训练方法。其核心思想是利用真实机器的测量结果通过经典模拟器执行反向传播，从而将真实量子噪声纳入梯度计算。RobustState是一种通用的即插即用技术，适用于从头训练参数或微调现有参数以提升目标机器上的保真度。它可适配门级和脉冲级的各种ansatz，甚至有益于其他变分算法，如变分酉合成。在使用10台真实量子机器对4种不同量子算法的态制备任务上对已RobustState进行全面评估，结果表明相干误差降低高达7.1，4量子比特和5量子比特态的态保真度分别提升高达96%和81%。与基线方法相比，RobustState平均将4量子比特和5量子比特态的保真度分别提升50%和72%。
引用
@article{arxiv.2311.16035,
title = {RobustState: Boosting Fidelity of Quantum State Preparation via Noise-Aware Variational Training},
author = {Hanrui Wang and Yilian Liu and Pengyu Liu and Jiaqi Gu and Zirui Li and Zhiding Liang and Jinglei Cheng and Yongshan Ding and Xuehai Qian and Yiyu Shi and David Z. Pan and Frederic T. Chong and Song Han},
journal= {arXiv preprint arXiv:2311.16035},
year = {2023}
}
备注
Accepted to FASTML @ ICCAD 2023. 14 pages, 20 figures