机构名称：
¥ 1.0
摘要 量子计算因其在各个领域实现速度和效率根本提升的潜力而吸引了众多研究关注。在不同的量子算法中，用于量子机器学习 (QML) 的参数化量子电路 (PQC) 有望在当前的嘈杂中型量子 (NISQ) 机器上实现量子优势。因此，为了促进 QML 和 PQC 研究，最近发布了一个名为 TorchQuantum 的 Python 库。它可以构建、模拟和训练用于机器学习任务的 PQC，速度快且调试方便。除了用于机器学习的量子，我们还希望引起社区对相反方向的关注：用于量子的机器学习。具体而言，TorchQuantum 库还支持使用数据驱动的机器学习模型来解决量子系统研究中的问题，例如预测量子噪声对电路保真度的影响并提高量子电路编译效率。本文介绍了 TorchQuantum 中用于量子部分的机器学习的案例研究。由于估计噪声对电路可靠性的影响是理解和减轻噪声的重要步骤，我们建议利用经典机器学习来预测噪声对电路保真度的影响。受量子电路自然图形表示的启发，我们建议利用图形变换器模型来预测嘈杂的电路保真度。我们首先收集包含各种量子电路的大型数据集，并在嘈杂的模拟器和真实机器上获得它们的保真度。然后，我们将每个电路嵌入到具有门和噪声属性作为节点特征的图中，并采用图形变换器来预测保真度。我们可以避免指数级的经典模拟成本，并有效地估计具有多项式复杂度的保真度。在 5,000 个随机和算法电路上进行评估，图形变换器预测器可以提供准确的保真度估计，RMSE 误差为 0.04，平均比简单的基于神经网络的模型高出 0.02。它可以分别对随机和算法电路实现 0.99 和 0.95 的 R 2 分数。与电路模拟器相比，该预测器在估计保真度方面具有超过 200 倍的速度提升。数据集和预测器可以在 TorchQuantum 库中访问。1 简介
TorchQuantum 稳健量子电路案例研究
主要关键词
相关文件推荐
