『壹』 一種使量子計算對雜訊更具彈性的技術，可以提高性能-
描述：研究人員已經開發出一種技術，可以使量子計算對雜訊更有彈性，從而提高性能。作者：麻省理工學院克里斯汀·丹尼洛夫
量子計算繼續以快速的速度前進，但阻礙這一領域發展的一個挑戰是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。
這種雜訊通常是由不完善的控制信號、來自環境的干擾以及量子比特之間不必要的相互作用引起的，這些量子比特是量子計算機的組成部分。在量子計算機上進行計算涉及到量子電路，這是一系列被稱為量子門的操作，這些量子門被映射到各個量子比特上，改變某些量子比特的量子態，然後由量子門進行計算來解決問題。
但是量子門會引入雜訊，這會阻礙量子機器的性能。
麻省理工學院和其他地方的研究人員正致力於通過開發一種使量子電路本身對雜訊具有彈性的技術來克服這個問題。（特別是，這些是「參數化」量子電路，包含可調量子門。）該團隊創建了一個框架，可以為特定的計算任務識別最健壯的量子電路，並生成一個映射模式，該模式是為目標量子設備的量子位定製的。
他們的框架稱為QuantumNAS（雜訊自適應搜索），比其他搜索方法計算量小得多，可以識別量子電路，從而提高機器學習和量子化學任務的准確性。當研究人員使用他們的技術來識別真實量子器件的量子電路時，他們的電路比用其他方法產生的電路性能要好。
「這里的關鍵思想是，如果沒有這項技術，我們必須在設計空間中對每個單獨的量子電路結構和映射方案進行采樣、訓練、評估，如果不好，我們就必須扔掉它重新開始。但是使用這種方法，我們可以同時獲得許多不同的電路和映射策略，而不需要任何網路電子工程與計算機科學系（EECS）副教授、該論文的資深作者宋涵說。
與韓寒一起參與論文撰寫的還有首席作者王漢瑞和林育君，他們都是EECS的研究生；丁永山，耶魯大學計算機科學助理教授；David Z.Pan，硅實驗室授予德克薩斯大學奧斯汀分校電氣工程講座，以及猶他州奧斯汀分校研究生顧佳琪；芝加哥大學計算機科學系西摩·古德曼教授弗雷德·鍾；還有上海交通大學本科生李子瑞。這項研究將在IEEE高性能計算機體系結構國際研討會上發表。
多種設計選擇
構造一個參數化的量子電路需要選擇一些量子門，這些量子門是量子比特將要執行的物理操作。這不是一項容易的任務，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，它們映射到的物理量子位的位置可以改變。
「有這么多不同的選擇，設計空間非常大。挑戰在於如何設計一個好的電路架構。有了QuantumNAS，我們希望設計出這種架構，使其對噪音非常穩健，」王說。
研究人員把重點放在變分量子電路上，這種電路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。為了設計一個變分量子電路，通常研究人員必須親自設計電路或使用基於規則的方法來為特定任務設計電路，然後通過優化過程為每個量子門找到理想的參數集。
在對可能的電路進行單獨評估的天真搜索方法中，必須訓練每個候選量子電路的參數，這會導致大量的計算開銷。但研究人員首先也必須確定理想的參數數目和電路結構。
在經典的神經網路中，加入更多的參數往往可以提高模型的精度。但在變分中量子計算，更多的參數需要更多的量子門，這會引入更多的雜訊。
利用量子網路，研究人員試圖降低總體搜索和訓練成本，同時識別出包含理想數量參數和適當結構的量子電路，以最大限度地提高精度和最小化雜訊。
建造「超級電路」
為此，他們首先設計了一個「超級電路」，其中包含了設計空間中所有可能的參數化量子門。這個超級電路將被用來產生更小的量子電路，可以進行測試。
它們對超級電路進行一次訓練，然後由於設計空間中所有其他候選電路都是超級電路的子集，它們繼承已經訓練過的相應參數。這減少了進程的計算開銷。
一旦超級電路經過訓練，他們就用它來尋找滿足目標的電路結構，在這種情況下，對雜訊具有很高的魯棒性。這個過程涉及到同時使用進化搜索演算法搜索量子電路和量子比特映射。
該演算法生成一些量子電路和量子比特映射候選，然後用雜訊模型或在實際機器上對其精度進行評估。結果被反饋給演算法，演算法選擇性能最好的部件，並使用它們重新開始該過程，直到找到理想的候選部件。
「我們知道不同的量子比特有不同的性質和門錯誤率。既然我們只使用量子比特的一個子集，為什麼不使用最可靠的量子比特呢？我們可以通過共同搜索結構和量子比特映射來做到這一點，」王解釋道。
一旦研究人員找到了最好的量子電路，他們訓練它的參數，並通過移除任何一個量子電路來進行量子門修剪量子門它們的值接近於零，因為它們對整體性能的貢獻不大。移除這些門可以減少雜訊源，並進一步提高在真實量子機器上的性能。然後，他們微調其餘參數以恢復丟失的任何精度。
在這一步完成後，他們可以將量子電路部署到一台真正的機器上。
當研究人員在真正的量子設備上測試他們的電路時，他們的表現超過了所有的基線，包括人類手工設計的電路和其他使用其他計算方法製作的電路。在一個實驗中，他們用量子產生了一個抗雜訊的量子電路，用來估算特定分子的基態能量，這是量子化學和葯物發現的重要一步。他們的方法比任何基線都要精確。
現在他們已經證明了量子的有效性，他們想利用這些原理使量子電路中的參數對雜訊具有魯棒性。研究人員還希望通過在真正的量子機器上訓練量子電路而不是經典計算機來提高量子神經網路的可伸縮性。
「這是一個有趣的工作，搜索雜訊魯棒性安薩茨和量子位映射的參數量子電路」聖母大學計算機科學與工程教授石一宇（Yiyu Shi）表示，他沒有參與這項研究與樸素搜索方法訓練和評價大量候選個體不同，本文訓練了一個超級電路並用它來評價多個候選，效率更高。"
「在這項工作中，漢瑞和他的合作者通過訓練一個超級電路並用它來評估許多候選電路，從而減輕了尋找一個高效的參數化量子電路的挑戰，因為它需要一個訓練程序。一旦超級電路被訓練，它就可以用來搜索ansatz和qu電路位映射。在訓練好超級電路後，我們可以用它來搜索電路的ansatz和量子比特映射。「評估過程是使用雜訊模型或者在真實的量子機器上運行，」IBM quantum的研究科學家Sona Najafi說，他沒有參與這項工作該協議已經在VQE和QNN任務上用IBMQ量子機進行了測試，證明了更精確的基態能量和更高的分類精度。"
為了鼓勵這方面的更多工作，研究人員創建了一個開源庫，名為火炬量子，其中包含有關他們的項目、教程和可供其他研究小組使用的工具的信息。