通过高效原位校准在不稳定器件上实现一致的高保真量子学习
量子物理
2023-09-13 v1
摘要
在近期的含噪中等规模量子（NISQ）时代，高噪声将显著降低量子计算的保真度。此外，量子器件上的噪声并不稳定。这导致了一个具有挑战性的问题：在运行时，是否存在一种方法能在不稳定器件上高效地实现一致的高保真量子系统？为研究该问题，我们以量子学习（亦称变分量子算法）为载体，例如组合优化与机器学习。一种直接的方法是在使用目标量子器件之前，以参数移位方法优化电路；然而，该优化具有极高的时间成本，在运行时并不实用。为解决这一紧迫问题，本文提出一种新颖的基于量子脉冲的噪声适应框架，即QuPAD。在所提框架中，首先，我们识别出CNOT门是常规VQC的保真度瓶颈，并采用更鲁棒的参数化多量子比特门（即Rzx门）来替代CNOT门。其次，通过对不同参数的Rzx门进行基准测试，我们为每个耦合量子比特对建立拟合函数，从而可高效预测在给定脉冲幅度与持续时间下Rzx门的理论输出与其器件上输出之间的偏差。在此基础上，设计了一种进化算法来识别每个Rzx门的脉冲幅度与持续时间（即校准）并找出高保真度的量子电路。实验表明，QuPAD在8-10量子比特上的量子器件运行时间少于15分钟，比参数移位方法快至多270倍。此外，以原始VQC为基线，QuPAD在分类任务上可实现59.33%的准确率提升，并在分子模拟中平均接近基态能量达66.34%。
引用
@article{arxiv.2309.06327,
title = {Toward Consistent High-fidelity Quantum Learning on Unstable Devices via Efficient In-situ Calibration},
author = {Zhirui Hu and Robert Wolle and Mingzhen Tian and Qiang Guan and Travis Humble and Weiwen Jiang},
journal= {arXiv preprint arXiv:2309.06327},
year = {2023}
}