研究人员开发了一种少样本迁移学习方法来对量子设备上的噪声进行建模，解决了纠错策略的局限性。通过在IBM量子设备的数据上训练残差神经网络，他们证明了噪声模型可以有效地迁移到另一台设备上，只需极少的微调数据。该方法在恢复理想电路结果方面显示出显著的改进，其中CX门误差和读出误差被确定为跨设备不匹配的主要原因。 AI
影响 通过在数据有限的情况下跨不同硬件调整噪声模型，实现更鲁棒的量子纠错。
排序理由 学术论文，详细介绍了使用迁移学习进行量子噪声建模的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.24397v1 Announce Type: cross Abstract: In the noisy intermediate-scale quantum (NISQ) regime, quantum devices contain hardware-specific noise sources which restrict device-invariant error mitigation strategies. We explore transfer learning approaches to apply noise mod…
In the noisy intermediate-scale quantum (NISQ) regime, quantum devices contain hardware-specific noise sources which restrict device-invariant error mitigation strategies. We explore transfer learning approaches to apply noise models learned on one quantum device to a different d…