机构名称：
¥ 1.0
量子计算机的尺寸和质量正在提高，但噪声仍然很大。误差缓解扩展了噪声设备可以有意义地执行的量子电路的大小。然而，最先进的误差缓解方法很难实现，超导量子比特设备中有限的量子比特连接将大多数应用限制在硬件的原生拓扑中。在这里，我们展示了一种基于机器学习的误差缓解技术，该技术在非平面随机正则图上具有多达 40 个节点的量子近似优化算法 (QAOA)。我们使用具有仔细的决策变量到量子比特映射的交换网络和前馈神经网络来优化多达 40 个量子比特的深度二 QAOA。我们观察到最大图的有意义的参数优化，这需要运行具有 958 个双量子比特门的量子电路。我们的论文强调了在量子近似优化中缓解样本而不仅仅是期望值的必要性。这些结果是朝着在经典模拟无法实现的规模上执行量子近似优化迈出的一步。达到这样的系统规模是正确理解 QAOA 等启发式算法的真正潜力的关键。
具有机器学习噪声缓解的非平面图大规模量子近似优化
主要关键词
相关文件推荐
