Ускорение квантовых вычислений: новая стратегия снижения ошибок

от

Автор: Денис Аветисян

Исследователи предлагают инновационный подход к смягчению ошибок в квантовых вычислениях, значительно сокращающий потребность в дорогостоящих измерениях.

🚀 Квантовые новости

Подключайся к потоку квантовых мемов, теорий и откровений из параллельной вселенной.
Только сингулярные инсайты — никакой скуки.

Присоединиться к каналу
Гибридный подход S-ZNE к смягчению ошибок демонстрирует сопоставимую точность с традиционным ZNE для Изинговских и Гейзенберговских моделей, при этом значительно – почти на 60% – снижая квантитативные затраты за счет отказа от повторных измерений при высоких значениях $\lambda_j$, что подтверждается анализом остаточных распределений и значений среднеквадратичной ошибки.
Гибридный подход S-ZNE к смягчению ошибок демонстрирует сопоставимую точность с традиционным ZNE для Изинговских и Гейзенберговских моделей, при этом значительно – почти на 60% – снижая квантитативные затраты за счет отказа от повторных измерений при высоких значениях $\lambda_j$, что подтверждается анализом остаточных распределений и значений среднеквадратичной ошибки.

В статье представлена методика Surrogate-Enabled Zero-Noise Extrapolation (S-ZNE), использующая модели машинного обучения для повышения эффективности смягчения ошибок в квантовых алгоритмах.

Несмотря на значительный прогресс в разработке квантовых процессоров, их подверженность шумам остается серьезным препятствием на пути к практическому применению. В работе, озаглавленной ‘Sample-efficient quantum error mitigation via classical learning surrogates’, предлагается новый подход к смягчению ошибок, основанный на использовании классических суррогатных моделей для аппроксимации ожидаемых значений. Предложенная методика, получившая название Surrogate-Enabled Zero-Noise Extrapolation (S-ZNE), позволяет существенно снизить накладные расходы на квантовые измерения по сравнению с традиционными методами экстраполяции к нулевому шуму. Открывает ли это путь к масштабируемому смягчению ошибок и более эффективному использованию квантовых вычислений в ближайшем будущем?

Преодолевая Шум в Квантовом Моделировании

Квантовые системы с большим числом частиц обладают огромным потенциалом для решения сложных задач, однако их моделирование осложняется влиянием шума, ограничивающим точность и масштабируемость. Разработка методов, устойчивых к шуму, является ключевой задачей. Традиционные подходы ограничены точностью выполнения квантовых схем.

Figure 7:Circuit architecture and surrogate fidelity across noise models and Hamiltonians.a.Hardware-efficient ansatz with uncorrelatedRY\operatorname{RY}andRZ\operatorname{RZ}rotations used in simulations.b.Mean squared error (MSE) of surrogate predictions versus training set sizenjn\_{j}and noise scaling factorλj\lambda\_{j}, evaluated on both the 1D transverse-field Ising and Heisenberg models. MSE decreases with largernjn\_{j}and higherλj\lambda\_{j}, indicating improved surrogate accuracy in high-noise regimes.c.Residual distributions (prediction minus measurement) for three composite noise models—depolarizing (DP), DP+thermal (TM), and DP+TM+coherent (CO)—shown as violin plots; nested bar charts report corresponding MSE values for both Hamiltonians.
Figure 7:Circuit architecture and surrogate fidelity across noise models and Hamiltonians.a.Hardware-efficient ansatz with uncorrelatedRY\operatorname{RY}andRZ\operatorname{RZ}rotations used in simulations.b.Mean squared error (MSE) of surrogate predictions versus training set sizenjn\_{j}and noise scaling factorλj\lambda\_{j}, evaluated on both the 1D transverse-field Ising and Heisenberg models. MSE decreases with largernjn\_{j}and higherλj\lambda\_{j}, indicating improved surrogate accuracy in high-noise regimes.c.Residual distributions (prediction minus measurement) for three composite noise models—depolarizing (DP), DP+thermal (TM), and DP+TM+coherent (CO)—shown as violin plots; nested bar charts report corresponding MSE values for both Hamiltonians.

Способность извлекать смысл из хаоса – это не просто вычислительная мощность, но и искусство видеть порядок в кажущемся беспорядке.

Суррогатное Моделирование для Нулевой Экстраполяции Шума

Метод экстраполяции к нулевому шуму (ZNE) смягчает влияние шума, масштабируя уровни шума и экстраполируя к идеальному случаю. Однако ZNE требует многократного выполнения квантовых схем, что вычислительно затратно. Предложен метод Surrogate-Enabled ZNE, использующий классические суррогаты для предсказания ожидаемых значений, сокращая накладные расходы на измерения на 80%.

Figure 1:The scheme of surrogate-enabled zero noise extrapolation (S-ZNE).The S-ZNE framework towards a class of parametrized quantum circuits comprises three key stages.a.Data Collection. Noise scaling (e.g., via unitary folding) is applied to generate the training dataset. At each noise level, different classical inputs are fed into the quantum circuit, followed by quantum sampling.b.Surrogate Modeling. The constructed dataset trains classical learning surrogates to estimate expectation values under target noise conditions purely on the classical side.c.Surrogate-Enabled Extrapolation: Given any new input, the optimized classical learning surrogates at all noise factorsλ\lambdacan be used to predict the corresponding expectation values. In the main text, we use surrogate prediction for all noise levels, while a hybrid approach combining surrogate predictions and direct measurements from nosiy quantum processor (hybrid S-ZNE) is discussed in SI E. These results extrapolate toλ→0\lambda\to 0, yielding an error-mitigated estimate with reduced quantum overhead.
Figure 1:The scheme of surrogate-enabled zero noise extrapolation (S-ZNE).The S-ZNE framework towards a class of parametrized quantum circuits comprises three key stages.a.Data Collection. Noise scaling (e.g., via unitary folding) is applied to generate the training dataset. At each noise level, different classical inputs are fed into the quantum circuit, followed by quantum sampling.b.Surrogate Modeling. The constructed dataset trains classical learning surrogates to estimate expectation values under target noise conditions purely on the classical side.c.Surrogate-Enabled Extrapolation: Given any new input, the optimized classical learning surrogates at all noise factorsλ\lambdacan be used to predict the corresponding expectation values. In the main text, we use surrogate prediction for all noise levels, while a hybrid approach combining surrogate predictions and direct measurements from nosiy quantum processor (hybrid S-ZNE) is discussed in SI E. These results extrapolate toλ→0\lambda\to 0, yielding an error-mitigated estimate with reduced quantum overhead.

Точность Суррогатных Моделей для Квантовых Предсказаний

Суррогатные модели, обученные для аппроксимации квантового поведения, используют регрессию и ядра, включая тригонометрическое разложение. Точность представления шума Паули посредством матрицы переноса Паули критична для достоверности суррогатных моделей. Для повышения точности оценок ZNE применяется экстраполяция Ричардсона.

Figure 2:Performance of S-ZNE in ground state energy estimation for quantum many-body systems.a.Surrogate model prediction accuracy under varying training set sizes (njn\_{j}) and noise levels (λj\lambda\_{j}). Prediction error, quantified bylog⁡(1+MSE)\log(1+\text{MSE}), is evaluated on 1000 test samples for both transverse field Ising model (TFIM) and Heisenberg model (HM) under depolarizing (DP) and combined depolarizing+coherent (DP+CO) noise channels.b.Distribution of residuals (ℛ\mathcal{R}) of unmitigated, S-ZNE, and conventional ZNE protocols, evaluated by the kernel density estimation over 1000 test configurations.c.Sampling overhead analysis during the optimization. The main panel shows cumulative measurement costs for S-ZNE (constant overhead) versus ZNE (linear scaling with iteration). Inset displays estimated ground-state energies at epochs 1 and 1500 for TFIM (exact value:−50.50-50.50), demonstrating comparable convergence between S-ZNE and ZNE despite significantly reduced quantum resource requirements for S-ZNE.
Figure 2:Performance of S-ZNE in ground state energy estimation for quantum many-body systems.a.Surrogate model prediction accuracy under varying training set sizes (njn\_{j}) and noise levels (λj\lambda\_{j}). Prediction error, quantified bylog⁡(1+MSE)\log(1+\text{MSE}), is evaluated on 1000 test samples for both transverse field Ising model (TFIM) and Heisenberg model (HM) under depolarizing (DP) and combined depolarizing+coherent (DP+CO) noise channels.b.Distribution of residuals (ℛ\mathcal{R}) of unmitigated, S-ZNE, and conventional ZNE protocols, evaluated by the kernel density estimation over 1000 test configurations.c.Sampling overhead analysis during the optimization. The main panel shows cumulative measurement costs for S-ZNE (constant overhead) versus ZNE (linear scaling with iteration). Inset displays estimated ground-state energies at epochs 1 and 1500 for TFIM (exact value:−50.50-50.50), demonstrating comparable convergence between S-ZNE and ZNE despite significantly reduced quantum resource requirements for S-ZNE.

Обучение этих моделей потребовало всего 100 выборок. S-ZNE достигает сопоставимых значений среднеквадратичной ошибки (MSE) с традиционным ZNE при оценке энергии основного состояния.

Расширение Возможностей Квантовой Метрологии и За Ее Пределами

Метод Surrogate-Enabled Zero-Noise Extrapolation (S-ZNE) повышает точность Рамзеевской интерферометрии, краеугольного камня квантовой метрологии. S-ZNE использует суррогатные модели для экстраполяции к нулевому уровню шума, позволяя более точно измерять физические величины, особенно для запутанных состояний, таких как GHZ-состояние.

Figure 3:Application of S-ZNE to GHZ-state quantum metrology.a.Training dynamics of learning surrogates under varied noise levelsλi\lambda\_{i}.b.Reconstructed phase estimation signals after quantum error mitigation. S-ZNE predictions and ZNE estimates both recover the ideal2​π/1002\pi/100-periodic response.c.Residual analysis of error-mitigated expectation values. Both S-ZNE and ZNE maintain residuals close to the idealcos⁡(100​x)\cos(100x)signal, with an inset comparing overall MSE performance.d.Sampling overhead of ZNE and S-ZNE. The y-axis refers to the cumulative number of measurements consumed by S-ZNE/ZNE for error mitigation.
Figure 3:Application of S-ZNE to GHZ-state quantum metrology.a.Training dynamics of learning surrogates under varied noise levelsλi\lambda\_{i}.b.Reconstructed phase estimation signals after quantum error mitigation. S-ZNE predictions and ZNE estimates both recover the ideal2​π/1002\pi/100-periodic response.c.Residual analysis of error-mitigated expectation values. Both S-ZNE and ZNE maintain residuals close to the idealcos⁡(100​x)\cos(100x)signal, with an inset comparing overall MSE performance.d.Sampling overhead of ZNE and S-ZNE. The y-axis refers to the cumulative number of measurements consumed by S-ZNE/ZNE for error mitigation.

S-ZNE перспективен для изучения сложных систем, таких как модель Гейзенберга и модель Изинга с поперечным магнитным полем. Гибридный подход, сочетающий прогнозы суррогатных моделей с прямыми квантовыми измерениями (Hybrid S-ZNE), позволяет добиться дальнейшего повышения точности. Общее количество необходимых измерений было сокращено в 10^7 раз по сравнению с традиционным ZNE, открывая новые возможности для сложных квантовых экспериментов. Точность – это не самоцель, а отражение глубины понимания и гармонии между методом и измеряемой реальностью.

Исследование, представленное в данной работе, демонстрирует изящный подход к смягчению ошибок в квантовых вычислениях посредством использования классических суррогатных моделей. Этот метод, названный Surrogate-Enabled Zero-Noise Extrapolation (S-ZNE), позволяет значительно сократить накладные расходы на квантовые измерения, что особенно важно для масштабирования квантовых алгоритмов. Как заметил Вернер Гейзенберг: «Самое важное – не упрямо настаивать на своей точке зрения, а увидеть проблему с разных сторон». Именно такая многогранность подхода и проявляется в данной работе – замена дорогостоящих квантовых вычислений на более эффективные классические суррогаты, сохраняя при этом точность результатов. Этот метод, опираясь на принципы Zero-Noise Extrapolation, представляет собой элегантное решение, гармонично сочетающее квантовые и классические вычисления.

Что впереди?

Предложенная методика, хоть и демонстрирует снижение вычислительной нагрузки при смягчении ошибок, не избавляет от фундаментальной дилеммы: приближение, каким бы элегантным оно ни было, остаётся приближением. Вопрос не в том, чтобы просто уменьшить количество измерений, но в том, чтобы понять, где заканчивается истина, а начинается её репрезентация. Очевидным направлением представляется исследование возможностей адаптации суррогатных моделей в реальном времени, позволяющее динамически подстраиваться под изменяющиеся характеристики шума и, следовательно, повышать точность предсказаний.

Следует признать, что эффективность S-ZNE во многом зависит от качества обучения суррогатной модели. В данном контексте, поиск оптимальных архитектур и алгоритмов машинного обучения, учитывающих специфику квантовых вычислений, представляется задачей нетривиальной. Ирония заключается в том, что для решения проблем, возникающих в квантовом мире, необходимо всё более изощрённое использование классических методов.

В конечном счёте, истинный прогресс потребует не только улучшения существующих техник, но и переосмысления самой концепции ошибки. Возможно, в будущем, вместо того чтобы пытаться её «смягчить», удастся научиться использовать её как ресурс, открывающий новые возможности для вычислений. Элегантность — не в устранении несовершенства, а в его гармоничном включении в общую картину.

Оригинал статьи: https://arxiv.org/pdf/2511.07092.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2025-11-11 22:26