QAGT-MLP: An Attention-Based Graph Transformer for Small and Large-Scale Quantum Error Mitigation
Seyed Mohamad Ali Tousi and G. N. DeSouza
嘈杂的量子设备需要准确而简单有效的降错技术,在拍摄次数和处理时间方面。 许多既定方法(例如,外推和准概率取消)施加了大量执行或校准开销,而现有的基于学习的方法难以扩展到大型和深度电路。 在这项研究中,我们介绍了QAGT-MLP:一种基于注意力的图形变压器,专为小型和大规模量子误差缓解(QEM)而设计。 QAGT-MLP将每个量子电路编码为图形,其节点表示栅极实例,其边缘捕获量子位连接和因果相邻性。 双路径注意力模块提取了围绕两个尺度或上下文中测量的量子位的特征:1)图全全局结构上下文;2)细粒度的局部光锥上下文。 这些学习表示与电路级描述符特性和电路嘈杂的预期值相连接,然后它们被传递给轻量级MLP以预测噪声缓解值。 在大规模100量子比特1D跨场测地测上模型 - TFIM电路 - 拟议的QAGT-MLP在平均误差和误差可变性方面优于最先进的学习基线,在匹配的镜头预算下在现实世界的QEM场景中表现出强大的有效性和适用性。 通过将全球结构与本地光锣社区融合在一起,QAGT-MLP实现了高缓解质量,而无需传统QEM管道所需的不断增加的噪声缩放或资源需求,同时在现代和未来量子工作负载中仍然为QEM提供可扩展和实用的路径。
Noisy quantum devices demand error-mitigation techniques to be accurate yet simple and efficient in terms of number of shots and processing time. Many established approaches (e.g., extrapolation and quasi-probability cancellation) impose substantial execution or calibration overheads, while existing learning-based methods have difficulty scaling to large and deep circuits. In this research, we introduce QAGT-MLP: an attention-based graph transformer tailored for small- and large-scale quantum er...