悉尼大学的研究人员和量子控制初创公司Q-CTRL于今日宣布了一种通过机器学习识别量子计算机中错误源的方法，使硬件开发人员能够以前所未有的准确度查明性能下降的原因，找出了一条加速通往有用量子计算机的途径。

在一篇题为“通过相位猫态的量子振荡器噪声谱”的联合科学论文中，研究人员介绍了通过将振荡器模式耦合到具有连续驱动相位态的量子比特来确定振荡器模式的频率噪声谱。该论文已发表在《物理评论快报》，该快报是世界首屈一指的物理科学研究期刊，也是美国物理学会(APS Physics)的旗舰出版物。

噪声被认为是量子计算的“阿喀琉斯之踵”(意为致命弱点)。悉尼大学的研究人员专注于减少由环境噪声引起的错误，他们开发了一种硬件技术，能检测使用俘获离子和超导量子计算执行量子算法所需精确条件的最微小偏差。俘获离子和超导是IBM、谷歌、霍尼韦尔、IonQ等世界领先的量子计算机所采用的核心技术。

为了查明测量偏差的来源，Q-CTRL的科学家开发了一种使用自定义机器学习算法处理测量结果的新方法。结合Q-CTRL现有的量子控制技术，研究人员能够最大限度地减少运算过程中的背景噪声影响。它可以轻松区分固有噪声源和测量本身带来的伪像。

在悉尼大学进行这项研究的苏黎世联邦理工学院的Cornelius Hempel博士说：“将尖端实验技术与机器学习相结合，在量子计算机的发展中展现了巨大的优势。Q-CTRL的团队能够快速开发出专业设计的机器学习解决方案，它使我们能够理解我们的数据，并提供一种新方法来‘查看’硬件中的问题并解决它们。”

Q-CTRL首席执行官兼悉尼大学教授Michael J. Biercuk说：“能够识别和抑制量子硬件性能下降的错误源的能力，对于构建量子传感器和量子计算机的基础研究和工业努力都至关重要……通过机器学习增强的量子控制已经显示出一种使这些系统变得实用的途径，它还能显着加快研发的时间表。“（编译:Qtech）