Few-Shot Cross-Device Transfer for Quantum Noise Modeling on Real Hardware

📄 arXiv: 2604.24397v1 📥 PDF

作者: Sahil Al Farib, Sheikh Redwanul Islam, Azizur Rahman Anik

分类: quant-ph, cs.LG

发布日期: 2026-04-27

备注: 9 pages, 8 figures, 8 tables. Submitted to IEEE Quantum Computing and Engineering (QCE) 2026

💡 一句话要点

提出一种小样本跨设备迁移学习方法，用于量子噪声建模与误差缓解。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 量子计算 噪声建模 迁移学习 误差缓解 NISQ 残差神经网络

📋 核心要点

  1. NISQ设备存在硬件特异性噪声，传统误差缓解策略难以有效应用。
  2. 利用迁移学习，将源设备学习到的噪声模型迁移到目标设备，实现跨设备噪声建模。
  3. 实验表明，少量样本微调即可显著降低KL散度，有效缓解跨设备噪声差异。

📝 摘要（中文）

在含噪声的中等规模量子（NISQ）时代，量子设备包含硬件特定的噪声源，这限制了设备不变的误差缓解策略。本文探索了迁移学习方法，以少量数据将从一个量子设备学习到的噪声模型应用于不同的设备。我们从两个IBM量子设备ibm_fez（源）和ibm_marrakesh（目标）创建了一个真实硬件数据集，包含170个含噪声和理想的电路输出分布，并添加了设备校准特征。我们在源设备上训练了一个残差神经网络，以将含噪声的结果映射到理想的结果。零样本迁移测试显示KL散度为1.6706（高于0.3014），证明了设备特异性。使用K = 20个微调样本，KL降至1.1924（比零样本提高了28.6%），恢复了零样本和域内KL之间差距的34.9%。消融研究表明，设备之间不匹配的主要原因是CX门错误，其次是读出错误。结果表明，量子噪声可以用最少的样本进行学习和微调，并为跨设备量子误差缓解提供了一种可行的方法。

🔬 方法详解

问题定义：量子计算在NISQ时代面临的主要挑战之一是硬件设备固有的噪声。这些噪声具有设备特异性，使得传统的、与设备无关的误差缓解策略效果不佳。因此，如何有效地对量子设备的噪声进行建模，并将其应用于误差缓解，是一个亟待解决的问题。现有方法通常需要大量的实验数据来训练噪声模型，这在量子设备上是昂贵的。

核心思路：本文的核心思路是利用迁移学习，将一个量子设备（源设备）上学习到的噪声模型迁移到另一个量子设备（目标设备）。通过在源设备上训练一个噪声模型，然后使用少量的数据在目标设备上进行微调，从而实现跨设备的噪声建模。这种方法可以显著减少目标设备上所需的实验数据量。

技术框架：该方法的技术框架主要包括以下几个步骤：1) 在源设备上收集大量的含噪声和理想的电路输出分布数据，并添加设备校准特征。2) 使用这些数据训练一个残差神经网络，该网络的目标是将含噪声的输出映射到理想的输出。3) 在目标设备上收集少量的数据。4) 使用目标设备上的少量数据对在源设备上训练好的神经网络进行微调。5) 使用微调后的神经网络对目标设备上的噪声进行建模和误差缓解。

关键创新：该方法最重要的技术创新点在于利用迁移学习实现了跨设备的量子噪声建模。与传统的需要大量数据的噪声建模方法相比，该方法只需要少量的数据即可在目标设备上进行微调，从而显著降低了实验成本。此外，该方法还通过消融研究揭示了CX门错误和读出错误是导致设备之间噪声差异的主要原因。

关键设计：该方法使用残差神经网络作为噪声模型，该网络可以有效地学习含噪声输出和理想输出之间的映射关系。损失函数采用KL散度，用于衡量模型预测的输出分布与真实输出分布之间的差异。在微调阶段，使用Adam优化器对神经网络的参数进行优化。实验中，使用了K=20个样本进行微调，取得了较好的效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，零样本迁移的KL散度为1.6706，远高于源设备的0.3014，表明设备特异性。使用20个微调样本后，KL散度降至1.1924，相比零样本提升了28.6%，恢复了零样本和域内KL差距的34.9%。消融研究表明CX门错误是设备间噪声差异的主要原因。

🎯 应用场景

该研究成果可应用于量子计算的误差缓解、量子算法的优化和量子硬件的表征。通过跨设备迁移学习，可以降低量子噪声建模的成本，加速量子计算在实际问题中的应用。未来，该方法有望推广到更多类型的量子设备和更复杂的量子算法中。

📄 摘要（原文）

In the noisy intermediate-scale quantum (NISQ) regime, quantum devices contain hardware-specific noise sources which restrict device-invariant error mitigation strategies. We explore transfer learning approaches to apply noise models learned on one quantum device to a different device with the help of a small amount of data. We create a real-hardware dataset from two IBM quantum devices, ibm_fez (source) and ibm_marrakesh (target), comprising 170 noisy and ideal circuit output distributions, with device calibration features added. We train a residual neural network on the source device to map noisy to ideal outcomes. The zero-shot transfer test shows a KL divergence of 1.6706 (up from 0.3014), establishing device specificity. With K = 20 fine-tuning samples, KL drops to 1.1924 (28.6% improvement over zero-shot), recovering 34.9% of the gap between zero-shot and in-domain KL. Ablation studies reveal that the major cause of mismatches across devices is CX gate error, followed by readout error. The results show quantum noise can be learned and fine-tuned with minimal samples, and provide a plausible approach to cross-device quantum error mitigation.