Neural Network-Guided Extrapolation Technique for Quantum Variational Algorithms

Subhasree Bhattacharjee

doi:10.3791/68873

Neural Network-Guided Extrapolation Technique for Quantum Variational Algorithms

2025-10-01

0

PRE

AI

S

Subhasree Bhattacharjee

DOI：10.3791/68873

原文求助

摘要

En 中文

在嘈杂中等规模量子（NISQ）时代，变分量子本征求解器（VQE）作为一种有效算法应运而生，用于解决复杂的量子挑战。然而，量子设备中的噪声会频繁降低VQE结果的准确性和可靠性。本文提出了一种创新方法，通过在VQE计算中使用基于神经网络的插值技术来应对这一问题。利用Qiskit框架，我们设计了使用RY-RZ ansatz的参数化量子电路，并分析了其在不同退极化噪声水平下的性能，包括比特翻转错误、相位翻转错误和振幅阻尼错误。我们的研究涉及分析哈密顿量在不同噪声强度下的预期结果，旨在推导基态能量（GSE）。为了将观察到的噪声结果与理想的零噪声条件相连接，我们使用错误概率及其对应的期望值训练了一个前馈神经网络（FFNN）。该模型准确预测了理想零噪声场景下的VQE结果。模拟结果与真实量子硬件执行结果的比较揭示了噪声诱导的不一致性，突显了基于神经网络的插值方法在纠正这些不一致性方面的有效性。这种综合方法提高了NISQ设备上VQE计算的准确性，并凸显了融合量子与经典方法以应对量子噪声威胁的巨大潜力。FFNN、卷积神经网络（CNN）和长短期记忆网络（LSTM）的结果比较显示，FFNN在预测结果时更准确且用时更少。

Neural Network-Guided Extrapolation Technique for Quantum Variational Algorithms

摘要

期刊

机构

引用论文