量子工程

我们描述一个量子化学模拟软件程序BQ-Chem,它可以计算低能量谱和分子的势能表面量子计算机。BQ-Chem基于完整的量子eigensolver (FQE),这是实现量子梯度下降算法。受益于FQE,BQ-Chem量子计算机可以执行所有的计算。与传统优化方法相比,遇到高维、多变量函数的优化困难在处理大分子的电子轨道,FQE提供一个指数加速。FQE完全在一个量子计算机工作;因此,BQ-Chem以后可以顺利发生大规模的量子计算机。

量子纠错(QEC)是构建可伸缩的量子计算机的关键技术,可以用来减轻物理量子比特错误的影响。由于量子态或多或少地受到噪声的影响,错误是不可避免的。传统QEC编码面临巨大的挑战。因此,设计一个基于神经网络(NN)的误差抑制算法和量子拓扑纠错(QTEC)编码为量子隐形传态尤为重要。摘要QTEC代码:semion码a大于二维(2 d)纠错代码基于双semion模型用于抑制错误在量子隐形传态,使用神经网络来构建一个基于semion编码译码器和模拟量子信息误差抑制过程和抑制效果。拟议中的卷积神经网络(CNN)译码器适用于小的距离拓扑semion代码。优化神经网络的目的是更好的译码器性能而推导解码器性能之间的关系和斜率和pseudothreshold在训练和计算阈值对不同噪声区域当代码的距离都是一样的, 为 和 为 。本文演示了cnn的抑制能力量子传输中的错误信息和得到的巨大潜力在量子计算领域。

量子计算基于门模型描述。这个模型最初创建一个叠加组成的 州,这些州的标签的量子位索引值 。两个工作量子位元和添加一个测量。此外,一个量子位添加到区分叠加状态。因此, 。阿达玛变换应用于和 。 。经过计算,一组状态分为两个子集;一个是坏的一个子集(B),另一个是好的(G)的一个子集。 。标记后,由POVM叠加来衡量。描述的测量四个测量操作符的集合。测量转换成 ;在这里, ,和 这是来自完整性方程。国家和国家之前的测量转换为和 ,分别。本文描述了这些测量操作。

多用户量子网络是不可或缺的一步,广域信息交换过程中量子技术的发展。在设计和部署一个量子网络,可用性、健壮性、灵活性、和支出需要考虑在一个平衡的方式。在本文中,我们提出了一个网络通过光学连接交换机,QNUS,只需要终端节点的数量在一个量子网络,这是一个很好的节约资源。

解决量子纠错仍是量子计算的主要挑战之一。传统的译码方法受限于计算能力和数据规模,限制颜色编码的解码效率。有许多已经提出解码方法,来解决这个问题。机器学习被认为是最合适的解决方案之一解码任务的颜色代码。我们项目的颜色代码到表面代码,使用深问网络迭代训练的解码过程的颜色代码和获取反演误差之间的关系和逻辑错误的训练模型和误差修正的性能。我们的结果表明,通过无监督学习,当迭代训练至少300次,一个自我训练的模型可以提高误差修正精度96.5%,和误差修正的速度大约是13.8%高于传统算法。我们数值显示译码方法可以实现预测速度快和更好的纠错训练后阈值。

量子信息传递是一个信息处理技术与高速度和高纠缠的量子力学的原则。解决问题的量子信息在传输过程中容易丢失,我们选择拓扑量子纠错码的最佳候选人代码改进的量子信息保真度。稳定的拓扑纠错编码,纠错带来了很大的便利。量子纠错编码由表面编码产生很好效果的纠错机制。为了解决问题的强有力的空间相关性和最优编码解码的表面,我们引入了强化学习译码器,可以有效地描述纠错编码的空间相关性。同时,我们使用一个双层卷积神经网络模型在对抗网络找到一个更好的纠错链,和一代网络可以达到最好的修正模型,以确保判别网络纠正更重要的错误。提高纠错的效率,我们引入了一个double-Q增加误差修正算法和ResNet网络训练速度和成功率表面的代码。与以前相比MWPM 0.005译码器的阈值,成功率已略有改善,译码器阈值可达0.0068。通过使用残余神经网络架构,我们节省了三分之一的训练时间和训练精度增加约96.6%。使用更好的培训模式,我们已经成功地提高了译码器阈值从0.0068到0.0085,和去极化的噪声模型用于不需要先验基本噪声,这样整个模型的误差校正效率略有改善。 Finally, the fidelity of the quantum information has successfully improved from 0.2423 to 0.7423 by using the error correction protection schemes.