近期量子计算机为寻找量子系统的基态提供了一个有前途的平台，这是物理学、化学和材料科学的一项基本任务。然而，最近的方法受到噪声效应和近期量子硬件资源有限的限制。加拿大滑铁卢大学的研究人员引入了神经误差缓解，它使用神经网络来改进对基态的估计和使用最近的量子模拟获得的基态可观测值。为了证明该方法的广泛适用性，研究人员采用神经误差缓解来寻找H2和LiH的分子哈密顿量的基态以及由变分量子本征求解器制备的晶格施温格模型。实验结果表明，神经误差缓解改进了数值和实验变体量子本征求解器计算，以产生低能量误差、高保真度和更复杂的可观测值（如阶参数和纠缠熵）的准确估计，同时不需要额外的量子资源。此外，神经错误缓解独立于所使用的量子态准备算法、实现它的量子硬件以及影响实验的特定噪声通道，有助于其作为量子模拟工具的多功能性。这项名为“近期量子模拟的神经误差缓解”的研究于2022年7月20日发表在《Nature Machine Intelligence》上。自20世纪初以来，科学家们一直在开发描述量子力学系统行为的综合理论。然而，研究这些系统所需的计算成本往往超过当前科学计算方法和硬件的能力。因此，计算不可行性仍然是将这些理论实际应用于科学和技术问题的障碍。量子计算机上的量子系统模拟（此处称为量子模拟）显示出克服这些障碍的希望，并且一直是量子计算机概念和创造背后的基本驱动力。特别是，超出经典计算机能力的量子多体系统的基态和稳态的量子模拟有望对核物理学、粒子物理学、量子引力、凝聚态物理学、量子化学和材料科学产生重大影响.当前和近期量子计算机的能力继续受到诸如量子比特数和噪声影响等限制。量子纠错技术可以消除噪声引起的错误，为容错量子计算提供了路径。然而，在实践中，实施量子纠错会在所需的量子比特数和低错误率方面产生巨大的开销，这两者都超出了当前和近期设备的能力。在实现容错量子模拟之前，现代变分算法极大地减轻了对量子硬件的需求，并利用了嘈杂的中等规模量子设备的能力。一个突出的例子是变分量子本征求解器(VQE)，这是一种混合量子经典算法，它通过参数化量子电路序列的变分优化迭代地逼近目标哈密顿量的最低能量本征值。在其他变分算法中，这已成为通过近期设备实现量子优势并加速多个科学技术领域进步的主要策略。变量子算法的实验实现仍然是许多科学问题的挑战，因为嘈杂的中尺度量子设备会受到各种噪声源和缺陷的影响。目前，已经提出并通过实验验证了几种减轻这些问题的量子错误缓解(QEM)方法，在没有量子纠错所需的量子资源的情况下改进了量子计算。通常，这些方法使用有关影响量子计算、硬件实现或量子算法本身的噪声路径的特定信息；包括噪声模型的隐式表示以及它们如何影响所需可观测值的估计，准备好的量子态应该如何驻留剩余状态子空间的具体知识以及量子计算各个组件上噪声源的表征和缓解，例如单量子位和双量子位门错误，以及状态准备和测量错误。机器学习技术最近被重新用作解决量子多体物理学和量子信息处理中复杂问题的工具，为QEM提供了另一条途径。在这里，滑铁卢大学的研究人员介绍了一种称为神经误差缓解(NEM)的QEM策略，该策略使用神经网络来减轻哈密顿量的量子基态的近似准备过程中的误差。NEM算法由两个步骤组成。首先，研究人员进行了神经量子态(NQS)断层扫描(NQST)，以训练NQS模拟来表示由嘈杂的量子设备使用实验可获得的测量值准备的近似基态。NQST受到传统量子态层析成像(QST)的启发，是一种数据驱动的QST机器学习方法，它使用有限数量的测量来有效地重建复杂的量子态。然后，将变分蒙特卡罗(VMC)算法应用于相同的NQSansatz（也称为NEMansatz）以改进未知基态的表示。本着VQE的精神，VMC在经典变分模拟的基础上近似哈密顿量的基态，在示例NQS模拟中。图：NEM程序。（来源：论文）在这里，研究人员使用自回归生成神经网络作为NEMansatz；更具体地说，他们使用Transformer架构并表明该模型的性能与NQS一样好。由于能够模拟远程时间和空间相关性，该架构已被用于自然语言和图像处理领域的许多最先进的实验，并具有模拟远程量子相关性的潜力.与其他错误缓解技术相比，NEM具有多项优势。首先，它的实验开销很低；它只需要一组简单的实验上可行的测量来了解VQE准备的嘈杂量子态的特性。因此，NEM中错误缓解的开销从量子资源（即执行额外的量子实验和测量）转移到用于机器学习的经典计算资源。研究人员特别指出，NEM的主要成本是在收敛之前执行VMC。NEM的另一个优点是它独立于量子模拟算法、实现它的设备以及影响量子模拟的特定噪声通道。因此，它也可以与其他QEM技术相结合，应用于模拟量子模拟或数字量子电路。示意图：分子哈密顿量的实验和数值NEM结果。（来源：论文）NEM还解决了使用近期量子设备估计量子可观测值时出现的低测量精度问题。这在量子模拟中尤为重要，其中对量子可观测值的准确估计对于实际应用至关重要。NEM从本质上解决了算法每一步测量精度低的问题。在第一步中，NQST以引入小的估计偏差为代价改进了可观察估计的方差。通过使用VMC训练NEMansatz，可以进一步减少这种偏差以及残差方差，这会导致达到基态后能量估计的零方差预期值。插图：NEM的属性应用于晶格Schwinger模型的基态。（来源：论文）通过结合使用参量量子电路作为拟态的VQE，以及使用神经网络作为拟态的NQST和VMC，NEM结合了两类参量量子态和关于它们损失的三个优化问题。研究人员提出了有关这些状态族之间关系的性质、它们的损失情景和量子优势的问题。检查这些关系提供了一种新方法来研究嘈杂的中尺度量子算法在寻求量子优势方面的潜力。这可能有助于更好地划分经典的易于处理的量子系统模拟和需要量子资源的模拟。论文链接：https://www.nature.com/articles/s42256-022-00509-0相关报道：https://techxplore.com/news/2022-08-neural-networkbased-strategy-near-term-quantum.html
