全球技术服务公司 LTM(Larsen & Toubro 集团旗下企业)已将其自主研发的 AI-QEM(基于人工智能的量子纠错与误差缓解)软件部署至 IBM Quantum Functions Catalog(IBM 量子功能目录),成为首家在该平台发布电路功能的全球系统集成商。
目前,该功能已通过 ltm/ai-qem接口向 IBM Quantum Premium、Flex 及 On-Prem 计划用户开放,可集成至 Qiskit Estimator 工作流程,利用经典深度学习推理技术抑制量子硬件噪声。
物理量子处理器仍受到量子门错误和环境退相干的限制。随着电路深度和量子比特数量增加,这些因素会导致计算期望值产生偏差。
传统误差缓解方案,如零噪声外推法(ZNE)和概率错误抵消法(PEC),通常通过执行一系列经过修正的电路来补偿噪声,但也会引入指数级采样开销,大幅增加量子计算的运行成本。
LTM 采用了一种与具体电路无关的方法,无需额外的量子采样。该方法首先将可观测量分解为泡利算符,再利用经过训练的经典神经网络,对每个含噪期望值进行重缩放:\frac{\langle P_i\rangle_{\mathrm{noisy}}}{\zeta_i}]从而实现误差缓解。
在 80 至 150 量子比特规模的验证测试中,其 GCN-Transformer 架构取得了 0.343 的平均绝对误差(MAE),表现优于基于随机森林的误差缓解基准方案。(随机森林(Random Forest,简称 RF)是一种经典的监督式集成学习算法,由多棵决策树组合而成。它既可以用于分类任务,也可以用于回归任务。)
此次发布还配套提供了一份 IBM Quantum 教程,介绍二维倾斜场伊辛模型(2D tilted-field Ising model)的 Trotter 分解时间演化过程。
LTM 此次进入 IBM Quantum Functions Catalog,值得关注的不仅是 AI-QEM 技术本身,更是量子计算产业化路径的变化。
一方面,将经典 AI 与量子计算结合,为降低硬件噪声带来的计算误差提供了新的技术思路,也有望减少传统误差缓解方法所需的采样成本。
另一方面,全球系统集成商开始将自主研发的量子软件能力直接部署到主流量子计算平台,意味着量子产业的竞争正在从单一硬件能力,逐步延伸至软件工具、算法优化与系统集成服务。
➡️ 看见技术,更要看见产业。
➡️ Stay Curious, Stay Ahead.
➡️ 全球量子观察|量子行业应用|量子前沿