一种使量子计算对噪声更具弹性的技术，可以提高性能

　　描述：研究人员已经开发出一种技术，可以使量子计算对噪声更有弹性，从而提高性能。作者：麻省理工学院克里斯汀·丹尼洛夫
　　量子计算继续以快速的速度前进，但阻碍这一领域发展的一个挑战是减轻困扰量子机器的噪音。与传统计算机相比，这会导致更高的错误率。
　　这种噪声通常是由不完善的控制信号、来自环境的干扰以及量子比特之间不必要的相互作用引起的，这些量子比特是量子计算机的组成部分。在量子计算机上进行计算涉及到量子电路，这是一系列被称为量子门的操作，这些量子门被映射到各个量子比特上，改变某些量子比特的量子态，然后由量子门进行计算来解决问题。
　　但是量子门会引入噪声，这会阻碍量子机器的性能。
　　麻省理工学院和其他地方的研究人员正致力于通过开发一种使量子电路本身对噪声具有弹性的技术来克服这个问题。（特别是，这些是＂参数化＂量子电路，包含可调量子门。）该团队创建了一个框架，可以为特定的计算任务识别最健壮的量子电路，并生成一个映射模式，该模式是为目标量子设备的量子位定制的。
　　他们的框架称为QuantumNAS（噪声自适应搜索），比其他搜索方法计算量小得多，可以识别量子电路，从而提高机器学习和量子化学任务的准确性。当研究人员使用他们的技术来识别真实量子器件的量子电路时，他们的电路比用其他方法产生的电路性能要好。
　　＂这里的关键思想是，如果没有这项技术，我们必须在设计空间中对每个单独的量子电路结构和映射方案进行采样、训练、评估，如果不好，我们就必须扔掉它重新开始。但是使用这种方法，我们可以同时获得许多不同的电路和映射策略，而不需要任何网络电子工程与计算机科学系（EECS）副教授、该论文的资深作者宋涵说。
　　与韩寒一起参与论文撰写的还有首席作者王汉瑞和林育君，他们都是EECS的研究生；丁永山，耶鲁大学计算机科学助理教授；David Z.Pan，硅实验室授予德克萨斯大学奥斯汀分校电气工程讲座，以及犹他州奥斯汀分校研究生顾佳琪；芝加哥大学计算机科学系西摩·古德曼教授弗雷德·钟；还有上海交通大学本科生李子瑞。这项研究将在IEEE高性能计算机体系结构国际研讨会上发表。
　　多种设计选择
　　构造一个参数化的量子电路需要选择一些量子门，这些量子门是量子比特将要执行的物理操作。这不是一项容易的任务，因为有许多类型的门可供选择。一个电路也可以有任意数量的门，它们映射到的物理量子位的位置可以改变。
　　＂有这么多不同的选择，设计空间非常大。挑战在于如何设计一个好的电路架构。有了QuantumNAS，我们希望设计出这种架构，使其对噪音非常稳健，＂王说。
　　研究人员把重点放在变分量子电路上，这种电路使用具有可训练参数的量子门，可以学习机器学习或量子化学任务。为了设计一个变分量子电路，通常研究人员必须亲自设计电路或使用基于规则的方法来为特定任务设计电路，然后通过优化过程为每个量子门找到理想的参数集。
　　在对可能的电路进行单独评估的天真搜索方法中，必须训练每个候选量子电路的参数，这会导致大量的计算开销。但研究人员首先也必须确定理想的参数数目和电路结构。
　　在经典的神经网络中，加入更多的参数往往可以提高模型的精度。但在变分中量子计算，更多的参数需要更多的量子门，这会引入更多的噪声。
　　利用量子网络，研究人员试图降低总体搜索和训练成本，同时识别出包含理想数量参数和适当结构的量子电路，以最大限度地提高精度和最小化噪声。
　　建造＂超级电路＂
　　为此，他们首先设计了一个＂超级电路＂，其中包含了设计空间中所有可能的参数化量子门。这个超级电路将被用来产生更小的量子电路，可以进行测试。
　　它们对超级电路进行一次训练，然后由于设计空间中所有其他候选电路都是超级电路的子集，它们继承已经训练过的相应参数。这减少了进程的计算开销。
　　一旦超级电路经过训练，他们就用它来寻找满足目标的电路结构，在这种情况下，对噪声具有很高的鲁棒性。这个过程涉及到同时使用进化搜索算法搜索量子电路和量子比特映射。
　　该算法生成一些量子电路和量子比特映射候选，然后用噪声模型或在实际机器上对其精度进行评估。结果被反馈给算法，算法选择性能最好的部件，并使用它们重新开始该过程，直到找到理想的候选部件。
　　＂我们知道不同的量子比特有不同的性质和门错误率。既然我们只使用量子比特的一个子集，为什么不使用最可靠的量子比特呢？我们可以通过共同搜索结构和量子比特映射来做到这一点，＂王解释道。
　　一旦研究人员找到了最好的量子电路，他们训练它的参数，并通过移除任何一个量子电路来进行量子门修剪量子门它们的值接近于零，因为它们对整体性能的贡献不大。移除这些门可以减少噪声源，并进一步提高在真实量子机器上的性能。然后，他们微调其余参数以恢复丢失的任何精度。
　　在这一步完成后，他们可以将量子电路部署到一台真正的机器上。
　　当研究人员在真正的量子设备上测试他们的电路时，他们的表现超过了所有的基线，包括人类手工设计的电路和其他使用其他计算方法制作的电路。在一个实验中，他们用量子产生了一个抗噪声的量子电路，用来估算特定分子的基态能量，这是量子化学和药物发现的重要一步。他们的方法比任何基线都要精确。
　　现在他们已经证明了量子的有效性，他们想利用这些原理使量子电路中的参数对噪声具有鲁棒性。研究人员还希望通过在真正的量子机器上训练量子电路而不是经典计算机来提高量子神经网络的可伸缩性。
　　＂这是一个有趣的工作，搜索噪声鲁棒性安萨茨和量子位映射的参数量子电路＂圣母大学计算机科学与工程教授石一宇（Yiyu Shi）表示，他没有参与这项研究与朴素搜索方法训练和评价大量候选个体不同，本文训练了一个超级电路并用它来评价多个候选，效率更高。＂
　　＂在这项工作中，汉瑞和他的合作者通过训练一个超级电路并用它来评估许多候选电路，从而减轻了寻找一个高效的参数化量子电路的挑战，因为它需要一个训练程序。一旦超级电路被训练，它就可以用来搜索ansatz和qu电路位映射。在训练好超级电路后，我们可以用它来搜索电路的ansatz和量子比特映射。＂评估过程是使用噪声模型或者在真实的量子机器上运行，＂IBM quantum的研究科学家Sona Najafi说，他没有参与这项工作该协议已经在VQE和QNN任务上用IBMQ量子机进行了测试，证明了更精确的基态能量和更高的分类精度。＂
　　为了鼓励这方面的更多工作，研究人员创建了一个开源库，名为火炬量子，其中包含有关他们的项目、教程和可供其他研究小组使用的工具的信息。