进去

一种用于高效量子机器学习的改进去极化方法

摘要：嘈杂中型量子 (NISQ) 时代的量子计算已在机器学习、优化和密码学中展现出良好的应用前景。尽管取得了这些进展，但由于系统噪声、错误和退相干，挑战依然存在。这些系统噪声使量子系统的模拟变得复杂。去极化通道是模拟量子系统噪声的标准工具。然而，当我们的硬件资源有限时，为实际应用建模这种噪声在计算上是昂贵的，就像在 NISQ 时代的情况一样。这项工作提出了一种单量子位去极化通道的改进表示。我们的改进通道使用两个仅基于 X 和 Z Pauli 矩阵的 Kraus 运算符。我们的方法将每个通道执行的计算复杂度从六次矩阵乘法降低到四次。在 Iris 数据集上对量子机器学习 (QML) 模型进行的实验跨越各种电路深度和去极化率，验证了我们的方法在提高效率的同时保持了模型的准确性。这种简化的噪声模型使得去极化下的量子电路模拟更具可扩展性，从而提高了 NISQ 时代的能力。