バーガース方程式ソルバーのための量子エラー緩和

本論文は、NISQハードウェア上でバーガース方程式を解くためのハイブリッド量子古典フレームワークを提示しています。重要な革新は、量子シミュレーションのエラーを学習し軽減するために、アテンションベースのグラフニューラルネットワークを使用することです。このアプローチは、ノイズの多い量子出力と回路メタデータの大きなデータセットを活用して、エラーが軽減されたソリューションを予測し、ゼロノイズ外挿よりも一貫して優れた結果を示します。これは、ノイズの多いハードウェア上での量子計算の精度を向上させるためのデータ駆動型アプローチを実証しているため重要であり、実用的な量子コンピューティングアプリケーションへの重要な一歩となります。

• •NISQハードウェア上でバーガース方程式を解くためのハイブリッド量子古典フレームワークを導入。
• •データ駆動型エラー緩和のために、アテンションベースのグラフニューラルネットワークを採用。
• •学習モデルは、エラーを削減する上でゼロノイズ外挿よりも優れています。
• •ノイズの多いデバイス上での量子計算の精度を向上させるための有望なアプローチを実証。