机器学习压缩量子测量数据加速量子蒙特卡罗,实现 40 比特化学精度模拟
该论文提出用机器学习代理模型压缩量子处理器的测量数据,替代 QMC 中反复的后处理,使量子-经典混合量子蒙特卡罗(QC-QMC)加速数个量级,实现最多 40 比特的化学精度模拟,规模超过此前同等精度硬件演示的两倍。作者在氢链和强关联铁硫簇上用 Google 的 Willow 处理器测量数据进行了演示,指出该方法让量子态信息可在经典协处理器上高效复用,缓解混合量子算法中即使在容错时代仍会存在的瓶颈。
推荐理由:论文给出把量子测量数据压缩为机器学习代理模型的做法,可据此理解混合量子算法中后处理瓶颈的一种解决路径。