[論文レビュー] A deep learning model for noise prediction on near-term quantum devices

Alexander Zlokapa, Alexandru Gheorghiu|arXiv (Cornell University)|May 21, 2020

Quantum Computing Algorithms and Architecture参考文献 18被引用数 21

ひとこと要約

この論文では、実験データを用いて訓練された畳み込みニューラルネットワーク（CNN）を活用し、近位量子デバイスにおけるノイズを予測・低減する深層学習ベースの量子回路コンパイラを提案する。コンパイラは、CNNをノイズ予測子として用い、空き領域にノイズ低減ゲートシーケンスを挿入することで、Qiskitと比較して平均12.3%の出力ノイズ低減を達成し、ハードウェアに強く依存する特性を示している。

ABSTRACT

We present an approach for a deep-learning compiler of quantum circuits, designed to reduce the output noise of circuits run on a specific device. We train a convolutional neural network on experimental data from a quantum device to learn a hardware-specific noise model. A compiler then uses the trained network as a noise predictor and inserts sequences of gates in circuits so as to minimize expected noise. We tested this approach on the IBM 5-qubit devices and observed a reduction in output noise of 12.3% (95% CI [11.5%, 13.0%]) compared to the circuits obtained by the Qiskit compiler. Moreover, the trained noise model is hardware-specific: applying a noise model trained on one device to another device yields a noise reduction of only 5.2% (95% CI [4.9%, 5.6%]). These results suggest that device-specific compilers using machine learning may yield higher fidelity operations and provide insights for the design of noise models.

研究の動機と目的

• 近位量子デバイスにおけるデ coherent、ゲート誤差、クロストークの影響によるノイズの課題に対処すること。
• 標準的な理論的仮定を超えた複雑でデバイス固有の誤差ダイナミクスを捉える機械学習ベースのノイズモデルを開発すること。
• 学習済みノイズモデルを活用して、ゲート数などの代理指標に依存せず、出力ノイズを最小化するように回路コンパイルを最適化するコンパイラを設計すること。
• 深層学習を用いて訓練されたデバイス固有のノイズモデルが、汎用的またはヒューリスティックなコンパイル戦略を上回るかを評価すること。
• 深層学習を用いて、ハードウェアパラメータの事前知識なしに、ダイナミカルデカップリングシーケンスなどの効果的なノイズ低減戦略を発見する可能性を検討すること。

提案手法

• 特定のIBM 5キュービットデバイスからの実験的量子回路データを用いて、畳み込みニューラルネットワーク（CNN）を訓練し、回路構造に基づいて出力ノイズを予測する。
• 回路をマルチチャネル画像として符号化し、各ゲートタイプをチャネルに対応させることで、キュービットおよびゲートシーケンスにわたる空間フィルタリングを可能にする。
• ネットワークは、同等の回路間のノイズ差を予測することで、相関的かつ非マルコフ的誤差を効果的にモデル化する。
• コンパイラは、訓練済みCNNをノイズ予測子として用い、空きキュービット領域に（恒等ゲートに相当する）ゲートシーケンスを挿入して、コherentノイズを抑制する。
• この手法は、ダイナミカルデカップリングやランダムコンパイルの原則を活用しているが、解析的設計ではなく学習されたパターンを用いる。
• 評価は、複数のIBMデバイス上でコンパイル済み回路の出力ノイズを比較し、理想出力分布との忠実度を用いてノイズを測定することで実施される。

実験結果

リサーチクエスチョン

• RQ1 実験データを用いて訓練された深層学習モデルは、特定の量子デバイスにおける量子回路の出力ノイズを正確に予測できるか？
• RQ2 深層学習で学習されたデバイス固有のノイズモデルは、標準的なコンパイラと比較して回路忠実度に顕著な向上をもたらすか？
• RQ3 学習済みノイズモデルはどの程度異なる量子デバイス間で一般化可能であり、その影響は性能にどのように現れるか？
• RQ4 ゲートの忠実度やコherenct時間の事前知識なしに、CNNは空き回路領域における効果的なノイズ抑制ゲートシーケンスを同定できるか？
• RQ5 複数のデバイスにわたるノイズ低減の観点から、深層学習ベースのコンパイラはQiskitコンパイラと比較してどの程度優れているか？

主な発見

• 深層学習コンパイラは、Qiskitコンパイラと比較して平均12.3%の出力ノイズ低減を達成し、95%信頼区間は[11.5%, 13.0%]であった。
• ノイズモデルは非常にデバイス固有である：1つのデバイスで訓練し、別のデバイスに適用した場合、ノイズ低減はわずか5.2%（95%信頼区間[4.9%, 5.6%]）に低下した。
• CNNは、ハードウェアパラメータにアクセスせずに、ロンドンデバイスではR²=0.86、バーリントンデバイスではR²=0.66を達成し、出力ノイズ予測において強力な性能を示した。
• モデルは、空き回路ギャップにおけるノイズ低減ゲートシーケンスを効果的に同定し、コherentで非マルコフ的ノイズ効果の抑制に有効であることを示した。
• ランダムなゲート挿入は平均で4.5%のノイズ低減にとどまったのに対し、本手法はその効果を確認しており、学習された最適化の価値を裏付けた。
• 結果から、ハードウェア固有の学習済みノイズモデルは回路忠実度を顕著に向上させられ、量子エラー低減の新たな道筋を拓く可能性を示唆している。