在量子处理器上运行一些有实用价值的算法来处理经典数据时，面临的一个难题是如何高效地将经典数据导入量子处理器，而直接处理量子数据则可以绕开这一问题。

近日，苏黎世联邦理工澳门威尼克斯人网站的研究人员在7位量子比特的超导量子处理器上，用量子卷积神经网络（Quantum Convolutional Neural Networks, QCNN）对处于顺磁、对称保护拓扑（symmetry-protected topological, SPT）和反铁磁相的量子态进行了识别。该研究组首先用变分的方法制备了一类cluster-Ising哈密顿量的近似基态，在不同模型参数下这些量子态分别处于这三种量子相。为了提高量子态制备保真度，他们通过电路等效变换避免在第一层就使比特更接近激发态。然后，他们把制备出的量子态送入卷积、池化和全连通三层所组成的QCNN，对量子态所属的相是否为SPT进行了识别。经过电路化简后的卷积层是一串CZ门，池化和全连通层是测量并对结果作用布尔函数得到一个输出，该输出对X和Z错误都有一定容错性，对应多尺度弦序参量。这一指标比标准的弦序参量对扰动更鲁棒，但直接测量所需要的测量次数随QCNN的深度是双指数增长的。实验结果表明，和直接测量标准弦序参量相比，QCNN能得到更接近理想水平的识别结果。

该工作表明处理量子数据的量子机器学习算法具有潜在的优越性，QCNN有望成为当前中等规模含噪量子系统输出态的一种重要诊断工具。未来，把当前可解释但不可训练的QCNN扩展成参数化的QCNN是一个值得探索的方向，甚至可用于学习最优的量子纠错策略。

论文信息：

https://arxiv.org/abs/2109.05909v1