量子计算机已经竞争超越经典超级计算机，但量子错误仍然是主要障碍。在过去的几年中，量子错误缓解领域已经提供了各种策略，以克服在近期设备中的误差，从而以额外的运行时间为代价提高精度。今日，IBM Quantum公司的Haoran Liao, Derek S. Wang，Zlatko K. Minev等，在Nature Machine Intelligence上发文，通过在最先进的量子计算机上，利用多达100个量子比特的实验，证明了在不牺牲精度的情况下，用于量子错误缓解的机器学习machine learning for quantum error mitigation (ML-QEM)大大降低了量子错误缓解的经济成本。
利用各种机器学习模型——线性回归、随机森林、多层感知器和图神经网络——对量子错误缓解的机器学习ML-QEM进行了基准测试，测试对象是不同类别的量子电路、日益复杂的器件噪声分布、内插和外推以及数值和实验。这些测试采用了流行的数字零噪声外推方法作为附加参考。
最后，还提出了利用量子错误缓解的机器学习ML-QEM，以模仿传统缓解方法的可扩展缓解路径，以获得更高的运行时效率。结果表明，经典机器学习可通过减少开销，以拓展量子错误缓解的范围和实用性，并突出了在实际量子计算中的更广泛应用潜力。
Machine learning for practical quantum error mitigation.
实用量子错误缓解的机器学习。
图1: 利用量子错误缓解的机器学习machine learning for quantum error mitigation ，ML-QEM易处理和难处理电路的执行和训练。
图3: 在量子噪声和ML-QEM内插和外推复杂性时，Trotter电路的缓解精度。
图4: ML-QEM和QEM的量子处理单元quantum processing unit，QPU硬件精度和开销。
图5: ML-QEM，对未见期望值和变分量子特征求解器variational quantum eigensolver ，VQE的应用。文献链接
Liao, H., Wang, D.S., Sitdikov, I. et al. Machine learning for practical quantum error mitigation. Nat Mach Intell (2024).
https://doi.org/10.1038/s42256-024-00927-2
https://www.nature.com/articles/s42256-024-00927-2
本文译自Nature。
来源：今日新材料
声明：仅代表译者观点，如有不科学之处，请在下方留言指正！
