用于Burgers方程求解器的量子误差缓解

本文提出了一个混合量子-经典框架，用于在NISQ硬件上求解Burgers方程。关键创新是使用基于注意力的图神经网络来学习和减轻量子模拟中的误差。这种方法利用了大量的噪声量子输出和电路元数据的数据集来预测经过误差缓解的解决方案，其性能始终优于零噪声外推。这非常重要，因为它展示了一种数据驱动的方法来提高在噪声硬件上进行量子计算的准确性，这是迈向实际量子计算应用的关键一步。

• •介绍了一种用于在NISQ硬件上求解Burgers方程的混合量子-经典框架。
• •采用基于注意力的图神经网络进行数据驱动的误差缓解。
• •学习模型在减少误差方面优于零噪声外推。
• •展示了一种有前景的方法，用于提高在噪声设备上进行量子计算的准确性。