量子计算继续快速发展，但阻碍该领域的一项挑战是如何减轻困扰量子机器的噪音。与传统计算机相比，这会导致更高的错误率。

这种噪声通常是由不完美的控制信号、环境干扰以及量子位之间不需要的相互作用引起的，而量子位是量子计算机的组成部分。在量子计算机上执行计算涉及“量子电路”，这是一系列称为量子门的操作。这些量子门映射到单个量子位，改变某些量子位的量子状态，然后执行计算以解决问题。

但是量子门会引入噪声，这会妨碍量子机器的性能。麻省理工学院和其他地方的研究人员正在努力通过开发一种使量子电路本身对噪声具有弹性的技术来克服这个问题（具体来说，这些是包含可调量子门的“参数化”量子电路）。该团队创建了一个框架，可以为特定计算任务识别最强大的量子电路，并生成针对目标量子的量子比特量身定制的映射模式设备。

他们的框架称为 QuantumNAS（噪声自适应搜索），其计算量远低于其他搜索方法，并且可以识别提高机器学习和量子化学任务准确性的量子电路。当研究人员使用他们的技术来识别真正量子设备的量子电路时，他们的电路优于使用其他方法生成的电路。

“这里的关键思想是，如果没有这种技术，我们必须在设计空间中对每个单独的量子电路架构和映射场景进行采样，训练它们，评估它们，如果效果不好，我们必须扔掉它并重新开始.但是使用这种方法，我们可以一次获得许多不同的电路和映射策略，而无需经过多次训练。

构建参数化量子电路涉及选择多个量子门，这是量子位将执行的物理操作。这不是一件容易的事，因为有许多类型的门可供选择。一个电路也可以有任意数量的门，这些门的位置——它们映射到的物理量子位——可以变化。

“有这么多不同的选择，设计空间非常大。挑战在于如何设计一个好的电路架构。借助 QuantumNAS，我们希望设计这种架构，使其对噪声非常稳健，”Hanrui Wang说。论文的主要作者 Hanrui Wang 和 Yujun Lin是EECS的研究生

多种设计选择

研究人员专注于变分量子电路，它使用具有可训练参数的量子门，可以学习机器学习或量子化学任务。要设计变分量子电路，通常研究人员必须手动设计电路或使用基于规则的方法来设计用于特定任务的电路，然后尝试通过优化过程为每个量子门找到理想的参数集。

在单独评估可能的电路的朴素搜索方法中，必须训练每个候选量子电路的参数，这会导致巨大的计算开销。但研究人员还必须首先确定理想的参数数量和电路架构。

在经典神经网络中，包含更多参数通常会提高模型的准确性。但是在变分量子计算中，更多的参数需要更多的量子门，这会引入更多的噪声。

借助 QuantumNAS，研究人员寻求降低总体搜索和训练成本，同时确定包含理想参数数量和适当架构的量子电路，以最大限度地提高准确性并最大限度地减少噪声。

构建“超级电路”

为此，他们首先设计了一个“超级电路”，其中包含设计空间中所有可能的参数化量子门。该超级电路将用于生成可测试的更小量子电路。

他们对 SuperCircuit 进行一次训练，然后因为设计空间中的所有其他候选电路都是 SuperCircuit 的子集，所以它们继承了已经训练过的相应参数。这减少了过程的计算开销。

超级电路经过训练后，他们会使用它来搜索满足目标的电路架构，该过程涉及使用所谓的进化搜索算法同时搜索量子电路和量子比特映射。

该算法生成一些量子电路和量子比特映射候选者，然后使用噪声模型或在真实机器上评估它们的准确性。结果被反馈给算法，该算法选择性能最佳的部件并使用它们再次启动该过程，直到找到理想的候选者。

“我们知道不同的量子比特具有不同的属性和门错误率。既然我们只使用了量子比特的一个子集，为什么我们不使用最可靠的呢？我们可以通过共同搜索架构和量子比特映射来做到这一点，”Hanrui Wang解释说。

一旦研究人员找到了最好的量子电路，他们就会训练它的参数并通过移除任何值接近零的量子门来执行量子门修剪，因为它们对整体性能贡献不大。移除这些门可以减少噪声源，并进一步提高真实量子机器的性能。然后他们微调剩余的参数以恢复丢失的任何准确性。该步骤完成后，他们可以将量子电路部署到真机上。

当研究人员在真正的量子设备上测试他们的电路时，它们的性能优于所有基线，包括人类手工设计的电路和其他使用其他计算方法制造的电路。在一项实验中，他们使用 QuantumNAS 产生了一种抗噪声量子电路，用于估计特定分子的基态能量，这是量子化学和药物发现的重要一步。他们的方法比任何基线都做出了更准确的估计。

既然他们已经展示了 QuantumNAS 的有效性，他们想利用这些原理使量子电路中的参数对噪声具有鲁棒性。研究人员还希望通过在真正的量子机器而不是经典计算机上训练量子电路来提高量子神经网络的可扩展性。

未参与这项研究的圣母大学计算机科学与工程教授 Yiyu Shi说：“这是一项有趣的工作，它搜索参数量子电路的抗噪声 ansatz 和量子比特映射。” “与单独训练和评估大量候选人的朴素搜索方法不同，这项工作训练了一个超级电路并用它来评估许多候选人，效率更高。”

“在这项工作中，Hanrui Wang和合作者通过训练一个SuperCircuit 并使用它来评估许多候选者，从而减轻了寻找有效参数化量子电路的挑战，这变得非常有效，因为它需要一个训练程序。一旦 SuperCircuit 被训练，它就可以用于搜索电路 ansatz 和 qubit 映射。在训练 SuperCircuit 之后，我们可以使用它来搜索电路 ansatz 和 qubit 映射。评估过程是使用噪声模型或在真正的量子机器上运行的，”IBM Quantum 的研究科学家 Sona Najafi 说，他没有参与这项工作。 “该协议已在 VQE 和 QNN 任务上使用 IBMQ 量子机进行了测试，展示了更准确的基态能量和更高的分类精度。”

为了鼓励在这一领域开展更多工作，研究人员创建了一个名为 TorchQuantum 的开源库，其中包含有关其他研究小组可以使用的项目、教程和工具的信息。

这项工作得到了美国国家科学基金会、麻省理工学院-IBM 沃森人工智能实验室、高通创新奖学金和美国能源部的支持。