Research Article

Technika ekstrapolacji sterowanej sieciami neuronowymi dla kwantowych algorytmów wariacyjnych

DOI:

10.3791/68873

⸱

October 10th, 2025

 ,  ,  ,  ,  , 
1Department of Computer Application, Narula Institute of Technology, Kolkata, India, 2Department of Computer Science, Acharya Prafulla Chandra College, Kolkata, India, 3Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, Riyadh, Saudi Arabia, 4Department of Physics, College of Sciences, University of Bisha, Bisha, Saudi Arabia, 5Department of Computer Science and Artificial Intelligence, College of Computing and Information Technology, University of Bisha, Bisha, Saudi Arabia

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Proponujemy metodę ekstrapolacji zerowego szumu opartą na sieciach neuronowych, aby zwiększyć dokładność VQE w hałaśliwym środowisku kwantowym.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W hałaśliwej erze kwantowej skali pośredniej (NISQ) wariacyjny kwantowy solver tożsamości (VQE) jawi się jako skuteczny algorytm do rozwiązywania złożonych wyzwań kwantowych. Jednak obecność szumu w urządzeniach kwantowych często zmniejsza dokładność i wiarygodność wyników VQE. W artykule przedstawiono innowacyjną metodę rozwiązania tego problemu poprzez wykorzystanie techniki ekstrapolacji opartej na sieciach neuronowych w obliczeniach VQE. Wykorzystując framework Qiskit, zaprojektowaliśmy sparametryzowane obwody kwantowe za pomocą ansatz RY-RZ, a ich wydajność została przeanalizowana pod różnymi poziomami szumu depolaryzacyjnego z błędami odwrócenia bitów, błędami odwrócenia fazy i błędami tłumienia amplitudy. Nasze badanie obejmowało analizę oczekiwanych wyników hamiltonianu na różnych poziomach natężenia hałasu w celu wydedukowania energii stanu podstawowego (GSE). Aby połączyć zaobserwowane hałaśliwe wyniki z idealnymi warunkami bezszumowymi, przeszkolono sieć neuronową sprzężenia zwrotnego (FFNN) przy użyciu prawdopodobieństwa błędu i odpowiadających mu wartości oczekiwanych. Model ten dokładnie przewidział wyniki VQE w idealnym scenariuszu wolnym od szumów. Porównanie wyników symulacji i rzeczywistych wykonań sprzętu kwantowego ujawniło niespójności wywołane szumem, podkreślając skuteczność tego podejścia do ekstrapolacji opartego na sieciach neuronowych w ich korygowaniu. Ta kompleksowa metoda poprawia dokładność obliczeń VQE na urządzeniach NISQ i podkreśla znaczący potencjał połączenia metod kwantowych i klasycznych w celu przeciwdziałania zagrożeniom związanym z szumem kwantowym. Porównanie wyników między FFNN, konwolucyjną siecią neuronową (CNN) i siecią długiej pamięci krótkotrwałej (LSTM) pokazuje, że FFNN przewiduje wyniki z większą dokładnością, ale w krótszym czasie.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Obliczenia kwantowe są jak mieszanka różnych przedmiotów, łącząca idee z mechaniki kwantowej i teorii komputerowej. Może to całkowicie zmienić sposób, w jaki obchodzimy się z informacjami. Może oferować możliwości obliczeniowe daleko wykraczające poza zasięg klasycznych obliczeń1. Chociaż obliczenia kwantowe są bardzo obiecujące, napotykają na poważne przeszkody. Systemy kwantowe są kruche i łatwo ulegają wpływom szumów i błędów pochodzących z różnych źródeł. Zakłócenia te mogą mieć duży wpływ na dokładność obliczeń 2,3,4,5,6.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wszystkie eksperymenty zostały przeprowadzone przy użyciu qasm_simulator Qiskit do klasycznych symulacji oraz na urządzeniu kwantowym IBM ibm_kyoto, które zostało wybrane jako najmniej obciążony backend dostępny w momencie wykonywania przy użyciu funkcji least_busy() Qiskit; Nie brali w tym udziału żadni ludzie ani zwierzęta, a zatem nie była wymagana żadna etyczna aprobata. Wszystkie zasoby programowe i sprzętowe zostały wykorzystane zgodnie z wytycznymi instytucji. Pliki kodowania są dostarczane jako Uzupełniający plik kodowania 1 i Uzupełniający plik kodowania 2.

Instalacji
Eksperymen....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Symulacje kwantowe w warunkach szumu
Zmieniamy prawdopodobieństwo hałasu od 0,01 do 0,05 i mierzymy wartość oczekiwaną . Wraz ze wzrostem szumu obserwowane wartości oczekiwane odbiegają od ich idealnych (bezszumowych) wyników, co odzwierciedla szkodliwy wpływ dekoherencji i błędów.

Przewidywania sieci neuronowych
Sieć neuronowa typu Feed-Forward (FFNN) jest szkolona w zakresie przewidywania idealnych, wolnych od szumów wartości oczekiwanych przy z.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Aby poznać skuteczność opisanego tutaj modelu sieci neuronowej, zaczęliśmy od oceny jego zdolności do uzyskania wydajności bez zakłóceń w zależności od zaszumionych wyników obwodów kwantowych. Używany jest optymalizator Adama, a MSE jest używany jako funkcja straty. Stały spadek wartości MSE sugeruje, że model z powodzeniem uchwycił związek między prawdopodobieństwem błędu a powiązanymi wynikami obwodu kwantowego.

Porównanie odbywa się między rzeczywistym wynikiem urządzenia kwantowego, wyniki.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie pozostają w konflikcie interesów. Do przygotowania manuskryptu nie wykorzystano żadnych narzędzi AI/LLM.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Praca ta była wspierana przez Princess Nourah bint Abdulrahman University Researchers Supporting Project numer (PNURSP2025R893), Princess Nourah bint Abdulrahman University, Rijad, Arabia Saudyjska. Autorzy są wdzięczni Dziekanatowi Studiów Podyplomowych i Badań Naukowych na Uniwersytecie Bisha za wsparcie tych prac poprzez program wsparcia badań w trybie przyspieszonym.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Qiskit =0,39,0IBM Quantumhttps://www.ibm.com/quantum/qiskit Podstawowa struktura obliczeń kwantowych używana do projektowania i symulacji obwodów ((RRID:SCR_021282)
Język Python 3.10Fundacja oprogramowania Pythonhttps://www.python.org/ Język programowania służący do implementacji algorytmów i analizy danych (RRID: SCR_008394)
Platforma kwantowaIBM Quantumhttps://quantum.cloud.ibm.com/computersStruktura obliczeń kwantowych (RRID:SCR_021282)

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Nielsen, M. A., Chuang, I. L. Quantum computation and quantum information. , Cambridge University Press. Cambridge, U.K. (2010).
  2. Preskill, J. Quantum computing in the NISQ era and beyond. Quantum. 2, 79(2018).
  3. Devitt, S. J., Munro, W. J., Nemoto, K.

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Variational Quantum EigensolverNeural Network ExtrapolationQuantum Noise MitigationQiskit FrameworkParameterized Quantum CircuitsRY RZ AnsatzDepolarizing NoiseFeedforward Neural NetworkQuantum Ground StateQuantum Hardware Simulation

Related Articles