Quantum error correction via quantum convolutional neural networks

Abstract

A sub-class of variational quantum algorithms (VQAs), the quantum convolutional neural network (QCNN), has emerged as an efficient quantum error correction (QEC) algorithm and full quantum error-correcting code. Through hybrid quantum-classical optimization of a QCNN architecture for a particular error model, it is possible to "train" a neural network to decrease the logical error rates for specific error models. Going into the noisy intermediate-scale quantum (NISQ) technology era, effective quantum error correction is necessary for accurate quantum computing with noisy qubits, and VQAs can bring about near-term, intermediate-scale, reliable quantum computing.

Como una subclase de algoritmos cuánticos variacionales (VQAs), la red neuronal convolucional cuántica (QCNN), ha surgido como un algoritmo eficiente de corrección de errores cuánticos (QEC) y un código de corrección de errores cuánticos completo. A través de la optimización híbrida cuántico-clásica de una arquitectura QCNN para un modelo de error particular, es posible "entrenar" una red neuronal para reducir las tasas de error lógico para modelos de errores específicos. Entrando en la era de la tecnología cuántica de escala intermedia ruidosa (NISQ), la corrección de errores cuánticos efectiva es necesaria para la computación cuántica precisa con qubits ruidosos, y los VQAs pueden propiciar una computación cuántica confiable a corto plazo y a escala intermedia. (Texto tomado de la fuente).