近期的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、化学和材料科学中的一项基本任务。然而,近期方法受到噪声影响以及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使用近期量子模拟获得的基态和基态可观测值的估计。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找到通过变分量子本征求解器制备的 H2 和 LiH 分子哈密顿量以及晶格 Schwinger 模型的基态。
实验结果表明,神经误差缓解改进了数值和实验变分量子特征求解器计算,以产生低能量误差、高保真度和对更复杂的可观察量(例如阶参数和纠缠熵)的准确估计,而无需额外的量子资源。此外,神经误差缓解与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无关,有助于其作为量子模拟工具的多功能性。
该研究以「Neural Error Mitigation of Near-Term Quantum Simulations」为题,于 2022 年 7 月 20 日发布在《Nature Machine Intelligence》。
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这些理论在科学和技术问题上的实际应用的障碍。
量子计算机上的量子系统模拟(这里称为量子模拟)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础驱动力。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预计将对核物理、粒子物理、量子引力、凝聚态物理、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量子比特数量和噪声影响等限制的限制。量子纠错技术可以消除由噪声引起的错误,为容错量子计算提供了一条途径。然而,在实践中,实现量子纠错会在所需的量子比特数和低错误率方面产生很大的开销,这两者都超出了当前和近期设备的能力。
在可以实现容错量子模拟之前,现代变分算法大大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,它通过一系列参数化量子电路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,这已成为使用近期设备实现量子优势并加速多个科学和技术领域进展的领先策略。
变分量子算法的实验实现对于许多科学问题来说仍然是一个挑战,因为嘈杂的中等规模量子设备会受到各种噪声源和缺陷的影响。当前,已经提出了几种用于缓解这些问题的量子误差缓解 (QEM) 方法并经过实验验证,从而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通道的特定信息;包括噪声模型的隐含表征以及它们如何影响对所需可观察量的估计、准备好的量子态应该驻留的状态子空间的特定知识以及量子计算的各个组件上噪声源的表征和缓解 ,例如单量子比特和双量子比特门错误,以及状态准备和测量误差。
机器学习技术最近被重新用作解决量子多体物理和量子信息处理中复杂问题的工具,为 QEM 提供了另一种途径。在这里,滑铁卢大学的研究人员介绍了一种名为神经误差缓解(NEM)的 QEM 策略,它使用神经网络来缓解哈密顿量的量子基态的近似准备中的错误。
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 ansatz 来表示由噪声量子设备使用实验可访问的测量准备的近似基态。受传统量子态断层扫描 (QST) 的启发,NQST 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,在相同的 NQS ansatz(也被称为 NEM ansatz)上应用变分蒙特卡洛(VMC)算法来改进未知基态的表示。本着 VQE 的精神,VMC 在经典变分 ansatz 的基础上逼近哈密顿量的基态,在示例中为 NQS ansatz。
图示: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 NEM ansatz;更具体地说,他们使用了 Transformer 架构,并表明该模型作为 NQS 表现良好。由于它能够模拟长程时间和空间相关性,这种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中,并且具有模拟长程量子相关性的潜力。
与其他错误缓解技术相比,NEM 有几个优点。首先,它的实验开销低;它只需要一组简单的实验上可行的测量来学习由 VQE 制备的噪声量子态的特性。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。特别是,研究人员注意到 NEM 的主要成本是在收敛之前执行 VMC。NEM 的另一个优点是它与量子模拟算法、实现它的设备以及影响量子模拟的特定噪声通道无关。因此,它也可以与其他 QEM 技术相结合,并可以应用于模拟量子模拟或数字量子电路。
图示: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物时出现的低测量精度问题。这在量子模拟中尤为重要,在量子模拟中,准确估计量子可观测量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来改进可观察估计的方差。通过使用 VMC 训练 NEM ansatz 可以进一步减少这种偏差以及剩余方差,这会在达到基态后导致能量估计的零方差期望值。
图示:NEM 的性能应用于晶格 Schwinger 模型的基态。(来源:论文)
通过结合使用参数量子电路作为 ansatz 的 VQE,以及使用神经网络作为 ansatz 的 NQST 和 VMC,NEM 将两个参数量子状态族和三个关于其损失情况的优化问题结合在一起。研究人员提出了这些状态家族之间关系的性质、它们的损失情况和量子优势的问题。检查这些关系提供了一种新的方法来研究嘈杂的中等规模量子算法在寻求量子优势方面的潜力。这可能会促进在经典易处理的量子系统模拟和需要量子资源的模拟之间获得更好地划分。
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
以上是一种基于神经网络的策略,可增强量子模拟的详细内容。更多信息请关注PHP中文网其他相关文章!

近年来,图神经网络(GNN)取得了快速、令人难以置信的进展。图神经网络又称为图深度学习、图表征学习(图表示学习)或几何深度学习,是机器学习特别是深度学习领域增长最快的研究课题。本次分享的题目为《GNN的基础、前沿和应用》,主要介绍由吴凌飞、崔鹏、裴健、赵亮几位学者牵头编撰的综合性书籍《图神经网络基础、前沿与应用》中的大致内容。一、图神经网络的介绍1、为什么要研究图?图是一种描述和建模复杂系统的通用语言。图本身并不复杂,它主要由边和结点构成。我们可以用结点表示任何我们想要建模的物体,可以用边表示两

当前主流的AI芯片主要分为三类,GPU、FPGA、ASIC。GPU、FPGA均是前期较为成熟的芯片架构,属于通用型芯片。ASIC属于为AI特定场景定制的芯片。行业内已经确认CPU不适用于AI计算,但是在AI应用领域也是必不可少。 GPU方案GPU与CPU的架构对比CPU遵循的是冯·诺依曼架构,其核心是存储程序/数据、串行顺序执行。因此CPU的架构中需要大量的空间去放置存储单元(Cache)和控制单元(Control),相比之下计算单元(ALU)只占据了很小的一部分,所以CPU在进行大规模并行计算

在我的世界(Minecraft)中,红石是一种非常重要的物品。它是游戏中的一种独特材料,开关、红石火把和红石块等能对导线或物体提供类似电流的能量。红石电路可以为你建造用于控制或激活其他机械的结构,其本身既可以被设计为用于响应玩家的手动激活,也可以反复输出信号或者响应非玩家引发的变化,如生物移动、物品掉落、植物生长、日夜更替等等。因此,在我的世界中,红石能够控制的机械类别极其多,小到简单机械如自动门、光开关和频闪电源,大到占地巨大的电梯、自动农场、小游戏平台甚至游戏内建的计算机。近日,B站UP主@

当风大到可以把伞吹坏的程度,无人机却稳稳当当,就像这样:御风飞行是空中飞行的一部分,从大的层面来讲,当飞行员驾驶飞机着陆时,风速可能会给他们带来挑战;从小的层面来讲,阵风也会影响无人机的飞行。目前来看,无人机要么在受控条件下飞行,无风;要么由人类使用遥控器操作。无人机被研究者控制在开阔的天空中编队飞行,但这些飞行通常是在理想的条件和环境下进行的。然而,要想让无人机自主执行必要但日常的任务,例如运送包裹,无人机必须能够实时适应风况。为了让无人机在风中飞行时具有更好的机动性,来自加州理工学院的一组工

1 什么是对比学习1.1 对比学习的定义1.2 对比学习的原理1.3 经典对比学习算法系列2 对比学习的应用3 对比学习在转转的实践3.1 CL在推荐召回的实践3.2 CL在转转的未来规划1 什么是对比学习1.1 对比学习的定义对比学习(Contrastive Learning, CL)是近年来 AI 领域的热门研究方向,吸引了众多研究学者的关注,其所属的自监督学习方式,更是在 ICLR 2020 被 Bengio 和 LeCun 等大佬点名称为 AI 的未来,后陆续登陆 NIPS, ACL,

本文由Cristian Bodnar 和Fabrizio Frasca 合著,以 C. Bodnar 、F. Frasca 等人发表于2021 ICML《Weisfeiler and Lehman Go Topological: 信息传递简单网络》和2021 NeurIPS 《Weisfeiler and Lehman Go Cellular: CW 网络》论文为参考。本文仅是通过微分几何学和代数拓扑学的视角讨论图神经网络系列的部分内容。从计算机网络到大型强子对撞机中的粒子相互作用,图可以用来模

AI面部识别领域又开辟新业务了?这次,是鉴别二战时期老照片里的人脸图像。近日,来自谷歌的一名软件工程师Daniel Patt 研发了一项名为N2N(Numbers to Names)的 AI人脸识别技术,它可识别二战前欧洲和大屠杀时期的照片,并将他们与现代的人们联系起来。用AI寻找失散多年的亲人2016年,帕特在参观华沙波兰裔犹太人纪念馆时,萌生了一个想法。这一张张陌生的脸庞,会不会与自己存在血缘的联系?他的祖父母/外祖父母中有三位是来自波兰的大屠杀幸存者,他想帮助祖母找到被纳粹杀害的家人的照

OTO 是业内首个自动化、一站式、用户友好且通用的神经网络训练与结构压缩框架。 在人工智能时代,如何部署和维护神经网络是产品化的关键问题考虑到节省运算成本,同时尽可能小地损失模型性能,压缩神经网络成为了 DNN 产品化的关键之一。DNN 压缩通常来说有三种方式,剪枝,知识蒸馏和量化。剪枝旨在识别并去除冗余结构,给 DNN 瘦身的同时尽可能地保持模型性能,是最为通用且有效的压缩方法。三种方法通常来讲可以相辅相成,共同作用来达到最佳的压缩效果。然而现存的剪枝方法大都只针对特定模型,特定任务,且需要很


热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

SublimeText3汉化版
中文版,非常好用

MinGW - 适用于 Windows 的极简 GNU
这个项目正在迁移到osdn.net/projects/mingw的过程中,你可以继续在那里关注我们。MinGW:GNU编译器集合(GCC)的本地Windows移植版本,可自由分发的导入库和用于构建本地Windows应用程序的头文件;包括对MSVC运行时的扩展,以支持C99功能。MinGW的所有软件都可以在64位Windows平台上运行。

禅工作室 13.0.1
功能强大的PHP集成开发环境

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

WebStorm Mac版
好用的JavaScript开发工具