在超導量子處理器上實現量子卷積神經網絡，用於識別量子相位

訪問原網址

公眾號/ ScienceAI（ID：Philosophyai）

編輯 | 蘿蔔皮

量子計算關鍵依賴於有效表徵量子硬件輸出的量子態的能力。當增加系統規模時，通過直接測量和經典計算的相關性來探測這些狀態的傳統方法在計算上變得昂貴。通過結合酉算子、測量和前饋來識別量子態的特定特徵的量子神經網絡承諾需要更少的測量並容忍錯誤。

在這裡，蘇黎世聯邦理工學院的研究團隊在 7 量子位超導量子處理器上實現了量子卷積神經網絡（QCNN），以識別以非零弦序參數為特徵的自旋模型的對稱保護拓撲（SPT）相位。

研究人員基於一組簇伊辛哈密頓量的近似基態對 QCNN 的性能進行基準測試，他們使用硬件高效的低深度狀態準備電路準備這些基態。儘管 QCNN 本身由有限保真門組成，但它識別拓撲相位的保真度高於直接測量準備狀態的弦序參數。

該研究以「Realizing quantum convolutional neural networks on a superconducting quantum processor to recognize quantum phases」為題，於 2022 年 7 月 16 日發布在《Nature Communications》。

在超導量子處理器上實現量子卷積神經網絡，用於識別量子相位

在構建量子硬件方面取得的顯着進展推動了對近期和未來糾錯量子計算機的潛在應用的探索，特別是在量子多體系統的模擬和機器學習方面。例如，量子計算機更有效地執行線性代數運算的能力可以為經典機器學習任務提供潛在的加速，例如線性回歸模型中的普通矩陣求逆。

然而，用於此目的的專用量子算法，如 Harrow、Hassidim 和 Lloyd 算法，既依賴於執行深度量子電路，也依賴於將二進制數據加載到量子寄存器中來提供實際優勢，這是目前可用的量子硬件無法實現的。

為了用更節省資源的方式將經典數據加載到量子寄存器中，並將其特徵映射到高維希爾伯特空間以便於分類，有團隊設計了由輸入數據參數化的量子電路，並將其用於量子支持向量機和量子神經網絡。然而，獨立於特定的數據嵌入方案，旨在分析經典數據的任務是否能夠充分利用量子計算機處理經典無法表示的數據量的能力仍然是一個懸而未決的問題。

因此，有希望利用近期量子計算機功能的算法是直接處理量子數據並且沒有經典模擬的算法。量子計算機開始達到其輸出狀態過於複雜而無法通過經典手段進行分析的水平，這表明直接處理量子數據的機器學習技術有望成為有效表徵和基準量子硬件的越來越重要的工具。其具體應用的示例包括密度矩陣的主成分分析、量子自動編碼器、哈密頓動力學的證明以及量子多體狀態中糾纏相關性的檢測。

在超導量子處理器上實現量子卷積神經網絡，用於識別量子相位

圖示：量子相識別實驗的概念。（來源：論文）

在最新公布的一項研究中，蘇黎世聯邦理工學院的研究人員，通過實施一種旨在識別拓撲量子相特徵的量子算法，通過量子神經網絡實驗證明了量子態的分類。這項具有挑戰性的任務對於研究高溫超導體等量子多體系統具有重要意義。在這方面的先前工作集中在使用經典機器學習技術從（模擬）測量數據中識別拓撲量子相。

此外，最近已經在量子硬件上製備了拓撲狀態，並通過測量特徵可觀察量（例如弦序參數）進行分析。

在超導量子處理器上實現量子卷積神經網絡，用於識別量子相位

圖示：變分基態製備。（來源：論文）

在這裡，研究人員通過在 SPT 相位內外準備量子態並通過量子卷積神經網絡進一步處理這些狀態以執行量子相位識別，實驗性地展示了一種新範式來檢測 7 量子位量子器件上的對稱保護拓撲狀態。他們設計並實驗實現了一個 QCNN，儘管它本身由有限保真門組成，但在正確識別拓撲相位方面優於直接測量弦序參數。

在超導量子處理器上實現量子卷積神經網絡，用於識別量子相位

圖示：量子相位識別電路。（來源：論文）

這種增強的能力是通過構建 QCNN 來同時測量泡利字符串的加權和來實現的，泡利字符串的數量隨着系統大小 N 呈指數增長。這種有效測量的 observable 的結構允許 QCNN 在處理弱擾動輸入狀態時容忍 X 型和 Z 型誤差。使用 QCNN 來測量這個 observable 避免了單獨測量其組成項的需要。

在超導量子處理器上實現量子卷積神經網絡，用於識別量子相位