大胆国模GOGO人体私拍|女人奶大陰户欣赏|两人剧烈运动扑克牌网站免费|女人吃男人视频|9一14 young处|户外BBBB|国产又色又爽无遮挡免费动态图

量子計算繼續快速發展，但阻礙該領域的一項挑戰是如何減輕困擾量子機器的噪音。與傳統計算機相比，這會導致更高的錯誤率。

這種噪聲通常是由不完美的控制信號、環境干擾以及量子位之間不需要的相互作用引起的，而量子位是量子計算機的組成部分。在量子計算機上執行計算涉及“量子電路”，這是一系列稱為量子門的操作。這些量子門映射到單個量子位，改變某些量子位的量子狀態，然后執行計算以解決問題。

但是量子門會引入噪聲，這會妨礙量子機器的性能。麻省理工學院和其他地方的研究人員正在努力通過開發一種使量子電路本身對噪聲具有彈性的技術來克服這個問題（具體來說，這些是包含可調量子門的“參數化”量子電路）。該團隊創建了一個框架，可以為特定計算任務識別最強大的量子電路，并生成針對目標量子的量子比特量身定制的映射模式設備。

他們的框架稱為 QuantumNAS（噪聲自適應搜索），其計算量遠低于其他搜索方法，并且可以識別提高機器學習和量子化學任務準確性的量子電路。當研究人員使用他們的技術來識別真正量子設備的量子電路時，他們的電路優于使用其他方法生成的電路。

“這里的關鍵思想是，如果沒有這種技術，我們必須在設計空間中對每個單獨的量子電路架構和映射場景進行采樣，訓練它們，評估它們，如果效果不好，我們必須扔掉它并重新開始.但是使用這種方法，我們可以一次獲得許多不同的電路和映射策略，而無需經過多次訓練。

構建參數化量子電路涉及選擇多個量子門，這是量子位將執行的物理操作。這不是一件容易的事，因為有許多類型的門可供選擇。一個電路也可以有任意數量的門，這些門的位置——它們映射到的物理量子位——可以變化。

“有這么多不同的選擇，設計空間非常大。挑戰在于如何設計一個好的電路架構。借助 QuantumNAS，我們希望設計這種架構，使其對噪聲非常穩健，”Hanrui Wang說。論文的主要作者 Hanrui Wang 和 Yujun Lin是EECS的研究生

多種設計選擇

研究人員專注于變分量子電路，它使用具有可訓練參數的量子門，可以學習機器學習或量子化學任務。要設計變分量子電路，通常研究人員必須手動設計電路或使用基于規則的方法來設計用于特定任務的電路，然后嘗試通過優化過程為每個量子門找到理想的參數集。

在單獨評估可能的電路的樸素搜索方法中，必須訓練每個候選量子電路的參數，這會導致巨大的計算開銷。但研究人員還必須首先確定理想的參數數量和電路架構。

在經典神經網絡中，包含更多參數通常會提高模型的準確性。但是在變分量子計算中，更多的參數需要更多的量子門，這會引入更多的噪聲。

借助 QuantumNAS，研究人員尋求降低總體搜索和訓練成本，同時確定包含理想參數數量和適當架構的量子電路，以最大限度地提高準確性并最大限度地減少噪聲。

構建“超級電路”

為此，他們首先設計了一個“超級電路”，其中包含設計空間中所有可能的參數化量子門。該超級電路將用于生成可測試的更小量子電路。

他們對 SuperCircuit 進行一次訓練，然后因為設計空間中的所有其他候選電路都是 SuperCircuit 的子集，所以它們繼承了已經訓練過的相應參數。這減少了過程的計算開銷。

超級電路經過訓練后，他們會使用它來搜索滿足目標的電路架構，該過程涉及使用所謂的進化搜索算法同時搜索量子電路和量子比特映射。

該算法生成一些量子電路和量子比特映射候選者，然后使用噪聲模型或在真實機器上評估它們的準確性。結果被反饋給算法，該算法選擇性能最佳的部件并使用它們再次啟動該過程，直到找到理想的候選者。

“我們知道不同的量子比特具有不同的屬性和門錯誤率。既然我們只使用了量子比特的一個子集，為什么我們不使用最可靠的呢？我們可以通過共同搜索架構和量子比特映射來做到這一點，”Hanrui Wang解釋說。

一旦研究人員找到了最好的量子電路，他們就會訓練它的參數并通過移除任何值接近零的量子門來執行量子門修剪，因為它們對整體性能貢獻不大。移除這些門可以減少噪聲源，并進一步提高真實量子機器的性能。然后他們微調剩余的參數以恢復丟失的任何準確性。該步驟完成后，他們可以將量子電路部署到真機上。

當研究人員在真正的量子設備上測試他們的電路時，它們的性能優于所有基線，包括人類手工設計的電路和其他使用其他計算方法制造的電路。在一項實驗中，他們使用 QuantumNAS 產生了一種抗噪聲量子電路，用于估計特定分子的基態能量，這是量子化學和藥物發現的重要一步。他們的方法比任何基線都做出了更準確的估計。

既然他們已經展示了 QuantumNAS 的有效性，他們想利用這些原理使量子電路中的參數對噪聲具有魯棒性。研究人員還希望通過在真正的量子機器而不是經典計算機上訓練量子電路來提高量子神經網絡的可擴展性。

未參與這項研究的圣母大學計算機科學與工程教授 Yiyu Shi說：“這是一項有趣的工作，它搜索參數量子電路的抗噪聲 ansatz 和量子比特映射。” “與單獨訓練和評估大量候選人的樸素搜索方法不同，這項工作訓練了一個超級電路并用它來評估許多候選人，效率更高。”

“在這項工作中，Hanrui Wang和合作者通過訓練一個SuperCircuit 并使用它來評估許多候選者，從而減輕了尋找有效參數化量子電路的挑戰，這變得非常有效，因為它需要一個訓練程序。一旦 SuperCircuit 被訓練，它就可以用于搜索電路 ansatz 和 qubit 映射。在訓練 SuperCircuit 之后，我們可以使用它來搜索電路 ansatz 和 qubit 映射。評估過程是使用噪聲模型或在真正的量子機器上運行的，”IBM Quantum 的研究科學家 Sona Najafi 說，他沒有參與這項工作。 “該協議已在 VQE 和 QNN 任務上使用 IBMQ 量子機進行了測試，展示了更準確的基態能量和更高的分類精度。”

為了鼓勵在這一領域開展更多工作，研究人員創建了一個名為 TorchQuantum 的開源庫，其中包含有關其他研究小組可以使用的項目、教程和工具的信息。

這項工作得到了美國國家科學基金會、麻省理工學院-IBM 沃森人工智能實驗室、高通創新獎學金和美國能源部的支持。