量子错误缓解研究进展

张宇鹍; 袁骁

doi:10.7544/issn1000-1239.2021.20210367

量子错误缓解研究进展

张宇鹍^1,2,
袁骁³

¹(北京师范大学物理系北京 100875)
²(北京师范大学高等量子研究中心北京 100875)
³(北京大学前沿计算研究中心北京 100080) (201821140038@mail.bnu.edu.cn)

详细信息

中图分类号: O59
计量
- 文章访问数: 1108
- HTML全文浏览量: 14
- PDF下载量: 562
出版历程
- 发布日期: 2021-08-31

Quantum Error Mitigation: A Review

Zhang Yukun^1,2,
Yuan Xiao³

¹(Department of Physics, Beijing Normal University, Beijing 100875)
²(Center of Advanced Quantum Studies, Beijing Normal University, Beijing 100875)
³(Center on Frontiers of Computer Studies, Peking University, Beijing 100080)

摘要

摘要: 由于与环境的相互作用及对量子设备的控制中存在的偏差，量子设备总是在不断产生错误.若不对这些错误加以处理，错误的积累会使得量子算法的实施变得毫无意义.成熟量子计算机的实现依赖于量子纠错技术以纠正量子设备中的错误.然而，由于量子纠错开销巨大，其难以在近期量子设备中实现.故在有噪声中等尺寸量子时代，以变分量子求解器为代表的量子算法选择量子错误缓解技术来压制错误，而非纠正它们.量子错误缓解允许仅通过中等大小的额外资源获得可以接受的计算精读，并已在理论及实验上展示出其可行性.旨在介绍与总结量子错误缓解领域的最新进展，并展望该技术未来发展的前景与方向.
- 量子计算 /
- 近期量子设备 /
- 量子错误缓解 /
- 量子算法 /
- 有噪声的中等尺寸量子时代
Abstract: Due to the interaction with the environment and imperfections of controls, quantum devices are accompanied with errors, whose accumulation could lead to a meaningless computing result. The realization of a full-fledged quantum computer relies on quantum error correction, which however, introduces a huge overhead that makes it challenging for near-term quantum devices. In the noisy intermediate-scale quantum era, quantum error mitigation methods instead of quantum error correction are introduced for suppressing errors. Using a mild cost under reasonable assumptions, quantum error mitigation could enhance the result to achieve a desired computational accuracy, and its feasibility has been demonstrated extensively in theories and experiments. This article aims to introduce and summarize the latest developments in quantum error mitigation, and to comment on potential future directions.
- quantum computing /
- near-term quantum devices /
- quantum error mitigation /
- quantum algorithms /
- noisy intermediate-scale quantum era

HTML全文

参考文献(0)

施引文献(15)

期刊类型引用(6)

1.	徐雪峰，郭广伟，黄余. 改进全卷积神经网络的遥感图像小目标检测. 机械设计与制造. 2024(10): 38-42 . 百度学术
2.	刘雯雯，汪皖燕，程树林. 融合项目热门惩罚因子改进协同过滤推荐方法. 计算机技术与发展. 2023(03): 15-19 . 百度学术
3.	冯勇，刘洋，王嵘冰，徐红艳，张永刚. 面向用户需求的生成对抗网络多样性推荐方法. 小型微型计算机系统. 2023(06): 1192-1197 . 百度学术
4.	冯晨娇，宋鹏，张凯涵，梁吉业. 融合社交网络信息的长尾推荐方法. 模式识别与人工智能. 2022(01): 26-36 . 百度学术
5.	韩迪，陈怡君，廖凯，林坤玲. 推荐系统中的准确性、新颖性和多样性的有效耦合与应用. 南京大学学报(自然科学). 2022(04): 604-614 . 百度学术
6.	甘亚男，耿生玲，郝立. 超贝叶斯图模型及其联结树的构建. 青海师范大学学报(自然科学版). 2021(02): 42-48 . 百度学术