ꄲ下一篇： 无
ꄴ上一篇： 无

量子领域最具影响力的投研服务平台

滑动了解更多

IBM提出可扩展的量子噪声模型

넳 넲
发布时间：2023-05-12
 
当代量子处理器的实际能力在很大程度上受到噪声的限制。最终，这个问题将通过量子纠错来解决，但与此同时，我们可以使用错误缓解技术来提高性能。
 
概率误差消除(probabilistic error cancellation, PEC)就是这样一种技术，它通过形成一个与量子电路中一个或多个门相关的噪声模型来工作。通过生成具有逆向噪声分布样本的电路实例，我们可以有效地消除这些门噪声，并提高测量观测值的准确性。
 
PEC的一个主要挑战是找到一个在量子比特数量上可扩展的噪声模型，它可以捕捉相关的噪声、并且可以有效地学习和操作。近日，美国 IBM Quantum量子公司的Ewout van den Berg，Kristan Temme等，在Nature Physics上发文，提出了一种同时满足所有这些标准的实用协议——一个Pauli-Lindblad噪声模型。
 

研究成果以《噪声量子处理器上稀疏Pauli-Lindblad模型的概率误差消除(Probabilistic error cancellation with sparse Pauli–Lindblad models on noisy quantum processors)》为题，5月8日发表在《自然·物理学》期刊上。
 

噪声模型
 

学习噪声通道
 

伊辛自旋链的误差缓解时间演化。
 

缓解采样开销
 
对于常见的量子比特拓扑结构，参数的数量与量子比特的数量呈线性关系，“学习”可以通过循环基准和非负最小二乘拟合的组合有效地完成；噪声模型的特殊结构导致了从逆向采样的特别简单的算法。
 
将这些结合起来的新模型使得团队能够学习和缓解并发CNOT门层上的噪声，实验团队也证明了PEC在以前远远无法解决的问题规模上的力量。
 
总之，这一结果首次证明了一个实用的途径——扩展概率误差消除，以消除整个电路中高权重观测点的噪声引起的误差。当然，模型重构的噪声保真度、以及误差缓解观测数据也验证了Lindbladian学习是准确、高效和可扩展的。
 
最后，团队表示，“我们期望我们的学习协议成为一个强大的表征和基准工具，并且更广泛地使研究和缓解量子处理器的噪声达到一个新的规模。”
 
参考链接：
[1]https://research.ibm.com/publications/probabilistic-error-cancellation-with-sparse-pauli-lindblad-models-on-noisy-quantum-processors
[2]https://www.nature.com/articles/s41567-023-02042-2
[3]https://arxiv.org/pdf/2201.09866.pdf
[4]https://mp.weixin.qq.com/s/6PFoh68ufoqSyXE2rS-iTw
 

 

最新资讯