学术前沿 | 五篇关于噪声、GAN、VQA、量子机器学习的论文
准确预测噪声边界
橡树岭国家实验室(ORNL)量子科学中心主任Travis Humble和Samudra Dasgupta报告了一项稳定性指标的工作，该指标包括动态噪声以及更容易描述的静态噪声。
他们的论文“Reliable Devices Yield Stable Quantum Computations”强调了在设定期望值时考虑动态噪声的必要性。
稳定的量子计算要求噪声结果即使在噪声波动的情况下也保持有界。然而，非稳态噪声过程会导致量子器件的变化特性发生漂移、从而极大地影响电路结果。
在此，科学家们探讨了噪声的时间和空间变化如何将器件可靠性与量子计算稳定性联系起来。
- 首先，方法使用海林格距离（Hellinger Distance）量化了在不同时间和地点收集的特性指标统计分布差异。
- 然后，团队验证了将该距离与计算期望值的稳定性直接联系起来的分析约束。
实验中，科学家们使用IBM公司名为washington的transmon设备提供的模型进行数值模拟演示。最终发现，稳定性度量始终受到相应海林格距离的约束，而海林格距离可被视为指定的容差水平。这些结果强调了可靠量子计算设备的重要性以及对稳定量子计算的影响。
4位字符串r = 0011的Bernstein-Vazirani电路。H代表哈达玛门，Z代表相移180度到|1⟩状态。表中的符号是测量操作，投射到计算基础中，并将结果记录在经典寄存器c中。
仿真表明，当H≤Hmax（即一个可靠的、缓慢变化的噪声平台）时，则s≤smax（即可观测的时间差保持在预测的上限之内）。
英特尔展示大批量晶圆上的QPU测试
长期以来，英特尔一直认为其CMOS制造专长和自旋量子比特技术，最适合将系统规模扩展到实现容错量子计算所需的数百万量子比特。
这次，英特尔量子硬件总监James Clarke等英特尔研究人员撰写了这篇论文--在300毫米自旋量子比特晶片上探测单个电子--他们探讨了构建大规模量子计算机的制造难题——量子比特探测。
构建容错量子计算机需要大量的物理量子比特。对于基于固态电子器件的量子比特技术而言，在单个处理器中集成数百万个量子比特需要器件制造达到与现代CMOS工业相当的规模。
同样重要的是，低温器件测试的规模必须跟上，以实现高效的器件筛选，并改善统计指标（如量子比特的良率和工艺变化）。
自旋量子比特已经显示出令人印象深刻的控制保真度，但在历史上一直受到良率和工艺变化的挑战。在这项工作中，英特尔团队介绍了一种使用300毫米低温晶圆探测仪的测试过程，以收集行业制造的自旋量子比特器件在1.6 K下的大量性能数据。
这种测试方法可提供快速反馈、从而优化CMOS兼容制造工艺，实现高产量和低工艺变化。利用该系统，科学家们可以自动测量自旋量子比特的工作点，并探测单个电子在整个晶片上的跃迁。
最终，团队分析了单电子工作电压的随机变化，发现这种制造工艺可在300毫米尺度上实现低水平的无序。这些结果共同证明了将CMOS工业技术应用于自旋量子比特的制造、测量所能取得的进步。
低温测试仪测量流程
12量子点阵列的阈值电压统计
12量子点阵列的单电子电压统计。
VQA性能仍然落后于经典
中国科学技术大学的Huan-Yu Liu及其同事认为，VQA虽然前景广阔，但目前在低深度量子神经网络方面还无法超越经典系统。他们在论文“Can Variational Quantum Algorithms DemonstrateQuantum Advantages? Time Really Matters”中报告说，他们开发了一种混合量子回归算法来提高VQA的机器学习性能。
尽管如此，研究人员强调：“我们并不想否认VQA和NISQ算法的潜力。对于VQA，需要进行优化以降低时间成本，例如更有效的采样策略和更节省参数的解析。我们未来的工作之一是设计用于高效训练QNN的反向传播型算法。”
应用低深度量子神经网络（QNN）、变分量子算法（VQA）在含噪声中等规模量子计算（NISQ）时代既充满希望又充满挑战：尽管VQA取得了令人瞩目的进展，但有关其效率和可行性问题的批评从未停止过。
然而，VQA是否能展现“量子优势”至今仍未确定，本文将对此进行研究。首先，科研团队将证明在训练QNN时，参数数与梯度评估成本之间存在依赖关系：团队注意到使用反向传播算法训练经典神经网络时不存在这种直接依赖关系，因此，他们认为这种依赖关系限制了VQA的可扩展性。
其次，科学家估算了理想情况下运行VQA的时间，即不考虑噪声和可达性等现实限制。实验团队证明了，理想的时间成本很容易达到1年的wall time。
第三，通过与经典量子电路仿真的时间成本比较，科学家们证明了只有当时间成本达到100-102年的规模时，VQA才能优于经典仿真。
最后，根据上述结果，团队认为VQA很难在时间扩展方面超越经典案例，因此，在当前的工作流程下，VQA很难体现出量子优势。由于VQA和量子计算都在快速发展，这项工作的目的并不是否定VQA的潜力。本文的分析为优化VQA提供了方向，从长远来看，寻求更自然的量子-经典混合算法将是有意义的。
变分量子算法的工作流程。标记为蓝色或绿色的操作分别表示在量子处理器或经典处理器上执行。
估算VQA的总时间成本的草图。
运行VQA和经典仿真的时间成本比较。
混合VQA增强量子机器学习
ORNL量子信息科学部的研究人员Joseph Wang和Ryan Bennink从另一个角度研究了VQA。他们在论文“”中报告说，他们开发了一种混合量子回归算法来提高VQA的机器学习性能。
他们写道："我们提出了一种使用变分量子电路解决线性回归问题的方法，其参数编码回归系数。最佳回归系数是通过与正则化成本函数相关的经典优化找到的，正则化成本函数还有助于找到最重要的特征子集。
变分量子算法（VQA）普遍适用于解决实际问题，如组合优化、量子化学模拟、量子机器学习以及在NISQ量子计算机上进行量子纠错。
在变分量子机器学习方面，具有模型可解释性的变分算法尚待开发。在本文中，科学家构建了一种量子回归算法，并确定了变分参数与学习到的回归系数的直接关系，同时采用一种电路直接将数据编码为反映经典数据表结构的量子振幅。该算法特别适用于连接良好的量子比特。通过压缩编码和数模门操作，运行时间复杂度比2个数字本地门硬件的运行时间复杂度高出对数级，这对NISQ量子计算机来说是一个不错的改进，而对大规模量子计算来说是一个小的改进。
“我们建议的压缩二进制编码方法与传统的独热编码技术相比，在输入数据相同的情况下，可显著减少所需的物理量子比特数。该算法本质上执行线性回归，但通过在训练数据中建立非线性特征，也可轻松用于非线性回归。”
“就模型训练中区分好模型和差模型的测量成本函数而言，只有当特征的数量远远少于可观察到的编码数据结构的记录数量时，它才会有效。为了呼应这一发现并在实践中减轻硬件噪声，我们将量子回归模型学习的集合模型训练与正则化的重要特征选择结合起来，并进行了数值说明。”
独热编码量子算法
仿真表明，当H≤Hmax（即一个可靠的、缓慢变化的噪声平台）时，则s≤smax（即可观测的时间差保持在预测的上限之内）。
利用经典成分改进量子GAN
生成式对抗网络已成为各种应用的关键组件。都柏林大学学院的研究人员Albha O'Dwyer Boyle和Reza Nikandish报告说，他们开发了一种在NISQ设备上实现GAN的经典-量子混合方法，从而提高了性能。
他们在论文“”中写道：“所开发的混合量子-经典GAN使用均匀和非均匀数据分布成功地进行了训练。使用非均匀分布训练数据，可以缓解GAN容易出现的模式崩溃故障。”
这一混合量子-经典GAN的方法可以为在近期量子处理器上实现更先进的GAN，开辟一个研究方向。
在这篇文章中，实验团队提出了一种适用于近期量子处理器的混合量子经典生成对抗网络（GAN）。该混合生成对抗网络包括一个生成器(generator)和一个判别器(discriminator)量子神经网络（QNN）。
生成器网络通过角度编码量子电路和变量子解析实现。鉴别器网络通过多级可训练编码量子电路实现。针对量子网络提出了一种模块化设计方法，可以控制其深度，从而在精度和电路复杂性之间达成妥协。生成器和鉴别器网络的损失函数梯度是使用相同的量子电路实现的，这样就不需要额外的量子电路或辅助量子比特。
量子模拟使用IBM的Qiskit开源软件开发工具包（SDK）进行，而混合量子-经典GAN的训练则使用经典计算机上的迷你批量随机梯度下降（SGD）优化方法进行。混合量子-经典GAN使用具有不同鉴别器网络结构的双量子比特系统实现。使用五级判别器网络实现的混合GAN由63个量子门和31个可训练参数组成，在真实数据分布和生成数据分布的相似性方面，Kullback-Leibler（KL）和Jensen-Shannon（JS）发散得分分别为0.39和4.16"。
混合量子-经典GAN架构。
QNN生成器(generator)的结构
五种量子网络架构被认为是实现QNN判别器(discriminator)的候选方案。
量子-经典混合GAN的训练过程。