过去几年开发的一些量子计算机已被证明在运行量子模拟方面相当有效。然而，近期的量子计算方法仍然受到现有硬件组件和背景噪声不利影响的限制。
1QB 信息技术 (1QBit)、滑铁卢大学和周边理论物理研究所的研究人员最近开发了神经误差 缓解，这是一种可以改善使用量子模拟获得的基态估计的新策略。这一策略是在Nature Machine Intelligence上发表的一篇论文中介绍的，它基于机器学习算法。
Elizabeth R. Bennewitz 和她的同事在他们的论文中写道： “我们引入了神经误差缓解，它使用神经网络来改进使用近期量子模拟获得的基态和基态观测值的估计。”
研究人员设计的新策略神经错误缓解 (NEM) 有两个关键组成部分或步骤。首先，该团队使用一种称为神经量子态断层扫描 (NQST) 的技术来训练所谓的 NQS ansalz 来表示由噪声量子设备制备的近似基态。
NQST 是一种机器学习方法，可以通过分析有限数量的实验收集测量值来重建复杂的量子态。随后，Bennewitz 和她的同事使用变分蒙特卡洛 (VMC) 算法来改进未知基态的现有表示。他们实验中使用的 NQS ansalz 是一种变压器架构，一种生成机器学习模型，通常用于生成自然语言文本和处理图像。
最后，研究人员在一个真实的研究问题上测试了他们的神经错误缓解方法的性能。具体来说，他们测试了它识别多体相互作用的费米子分子哈密顿量的基态波函数和能量的能力，这是运行分子电子相关性模拟的重要步骤。
研究人员在论文中写道： “为了证明我们方法的广泛适用性，我们采用神经误差缓解来找到 H 2和 LiH 分子哈密顿量的基态，以及通过变分量子本征求解器制备的晶格 Schwinger 模型。” “我们的研究结果表明，神经误差缓解改进了数值和实验变分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的准确估计，例如有序参数和纠缠熵，而无需额外的量子资源。”
未来，神经误差模拟可用于减少使用近期设备执行的量子模拟中与噪声相关的误差。这可能对许多研究领域产生重要影响，包括化学、物理学和材料科学，因为它可能导致更精确的估计或新的有见地的发现。
研究人员在他们的论文中写道：“对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，神经误差缓解也是不可知的，这有助于其作为量子模拟工具的多功能性。”纸。
