返回
Diffusion-inspired quantum noise mitigation in parameterized quantum circuits
DOI:10.1007/s42484-025-00276-2.png)
摘要
En 中文
参数化量子电路(PQCs)已被公认为利用近期量子优势在多个问题中的领先策略,包括机器学习和组合优化。当应用于特定任务时,量子电路中的参数被训练以最小化目标函数。尽管已有大量研究致力于提升PQCs在实际任务中的性能,但量子噪声引起的误差在运行于真实量子计算机时会降低其性能。特别是,当量子态通过多层量子电路变换时,量子噪声的影响会累积,并逐渐接近最大混合态或完全噪声。本文研究了量子噪声与扩散模型之间的关系。随后,我们提出了一种新颖的受扩散启发的学习方法,以减轻PQCs中的量子噪声并降低特定任务的误差。通过我们的实验,我们展示了该学习策略的有效性,并在量子噪声场景下的分类任务中实现了最先进的表现。
Keyword:
Quantum machine learning
Quantum information
Quantum noise
Diffusion models
期刊
Q
IF:
4.4
论文数:
453
被引数:
796
机构
引用论文
Mapping Quantum Circuits to IBM QX Architectures Using the Minimal Number of SWAP and H Operations使用最少SWAP和H操作的量子电路映射到IBM QX架构
A co-design framework of neural networks and quantum circuits towards quantum advantage
NATURE COMMUNICATIONS
IF15.7

