[论文解读] Rethinking Quantum Noise in Quantum Machine Learning: When Noise Improves Learning

Linghua Zhu, Yulong Dong+2 more|arXiv (Cornell University)|Jan 19, 2026

Quantum Computing Algorithms and Architecture被引用 0

一句话总结

论文展示初始化相关的量子噪声在分子性质预测的量子图神经网络（QGNN）性能上可提升也可降低；在未充分优化的模型中噪声适度有益，而在充分优化的模型中会降低性能。

ABSTRACT

Quantum noise is conventionally viewed as a fundamental obstacle in near-term quantum computing, motivating extensive error correction and mitigation strategies. We present numerical evidence that challenges this consensus. Through experiments on quantum graph neural networks for molecular property prediction, we discover that quantum noise induces heterogeneous, initialization-dependent responses. Among randomly initialized models with identical architecture, approximately one-third show performance improvement under moderate noise, while a smaller fraction deteriorate and the remainder are marginally affected. We identify a strong negative correlation ($r = -0.62$) between baseline model performance and noise benefit, suggesting that noise acts as an implicit regularizer for under-optimized models while disrupting well-converged ones. The observed optimal noise level falls below theoretical predictions, indicating error cancellation in structured quantum circuits. These findings demonstrate that quantum noise effects depend critically on initialization quality and need not be uniformly detrimental, suggesting a shift from universal noise mitigation toward structure- and noise-aware optimization strategies.

研究动机与目标

• 研究量子噪声在不同初始化条件下对量子机器学习模型的影响。
• 确定噪声是否对未充分优化的模型起到隐式正则化作用。
• 鉴别基线性能与噪声诱导学习结果之间的相关性。
• 评估最优噪声水平是否与理论预测一致，以及原因。

提出的方法

• 在 QM9 子集上使用 55 个独立初始化的单层量子图神经网络来研究噪声效应。
• 用每门量子门误差率 、0.010、0.015（以及无噪声的 0）来建模四种噪声水平，以模拟接近 NISQ 的条件。
• 采用 EDU 量子图电路以确保置换等变性和固定电路深度。
• 实现一个表观的噪声模型，其中 f_noisy(G,, ￭)=（1-p_error(￭)）f_noiseless(G,)+
  ，且 p_error(￭)=1-（1-￭）^{N_g*L} 和
  ~ N(0,\,_noise)。
• 通过 HOMO-LUMO 间隙预测的 R^2 来评估性能，并计算相对变化 R^2。
• 在不同初始化种子下分析基线性能和噪声响应之间的关系。

实验结果

研究问题

• RQ1 量子噪声是否对随机初始化下的 QGNN 性能产生统一的影响？
• RQ2 模型在无噪声下的基线性能与其噪声诱导的性能变化之间是否存在系统关系？
• RQ3 对受益于噪声的模型，最优的噪声水平是多少，与理论预测相比如何？
• RQ4 噪声是否可以在量子机器学习中充当隐式正则化，在何种条件下？

主要发现

• 在 55 个独立初始化的模型中，36.4% 从噪声中受益，14.5% 下降，49.1% 属于边际影响。
• 在所有带噪声的模型中，平均提升为 1.8%，其中有益情况平均提升 5.8%，有害情况平均下降 4.2%。
• 无噪声基线性能与噪声收益之间存在很强的负相关（r = -0.620，p < 0.001）。
• 大多数模型（49.1%）在  = 0.005 时达到最佳性能，部分模型在更高的噪声水平（0.010 和 0.015）时达到最优。
• 实验观测到的最佳每门误差率（b5 = 0.005）低于理论估计（来自式 Eq. 6 的 b5_opt_theory），这表明在结构化电路中存在误差抵消。