[論文レビュー] Beyond Quantum Noise Spectroscopy: modelling and mitigating noise with quantum feature engineering

Akram Youssry, GA Paz-Silva+1 more|arXiv (Cornell University)|Mar 15, 2020

Quantum Information and Cryptography参考文献 52被引用数 5

ひとこと要約

この論文は、オープンな量子系におけるノイズのモデリングと緩和を目的とした、量子機械的原理を深層学習モデルに統合する新規な量子特徴工学フレームワークを提案する。既知の量子ダイナミクスをホワイトボックス層として埋め込み、未知のノイズ／制御依存関係をブラックボックスニューラルネットワークで学習することで、量子ビットのダイナミクスを高精度に予測し、ダイナミカルデコherence（動的デコherence）などの量子制御タスクを実現する。従来の量子ノイズスペクトロスコピーに比べ、柔軟性と実世界への適用可能性に優れる。

ABSTRACT

The ability to use quantum technology to achieve useful tasks, be they scientific or industry related, boils down to precise quantum control. In general it is difficult to assess a proposed solution due to the difficulties in characterising the quantum system or device. These arise because of the impossibility to characterise certain components in situ, and are exacerbated by noise induced by the environment and active controls. Here we present a general purpose characterisation and control solution making use of a novel deep learning framework composed of quantum features. We provide the framework, sample data sets, trained models, and their performance metrics. In addition, we demonstrate how the trained model can be used to extract conventional indicators, such as noise power spectra.

研究の動機と目的

• 量子ノイズスペクトロスコピーで一般的な制限付き仮定に依存しない、オープンな量子系におけるノイズのモデリングと緩和を目的とした機械学習フレームワークの開発。
• 量子力学的法則をホワイトボックス層としてエンコードし、未知のノイズ／制御依存関係をブラックボックスニューラルネットワークで学習するハイブリッドグレイボックスモデルの構築。
• ノイズ特性が未知または複雑な場合でも、ユーザー定義の制御パulsesおよび環境ノイズ下での量子ビットダイナミクスの正確な予測を可能にする。
• 従来の量子制御指標（例：ノイズパワー スペクトル）の抽出、およびダイナミカルデコherenceの実行を含め、フレームワークの能力を実証する。
• 特定のノイズモデルや制御仮定に依存しない、一般用途で実験的に関連性のある量子系の特徴化と制御ソリューションの提供。

提案手法

• ハイブリッドアーキテクチャを採用：時間に依存するハミルトニアン下での時間発展などの量子力学的関係をカスタムホワイトボックス層として埋め込み、物理的整合性を保証する。
• モデルの入力には制御パulses（fα(t)）、初期状態、測定演算子、時間発展演算子のパラメータを含み、出力は予測された密度行列または期待値である。
• ブラックボックス部では、シミュレートされたトレーニングデータから複雑な非マルコフ的ノイズ依存関係を学習するために、ゲート付き再帰型ユニット（GRUs）を採用し、未観測のノイズ実現への一般化を可能にする。
• 合成データセットは、2準位系を古典的ノイズとユーザー定義の制御パulsesでシミュレートする量子シミュレータを用いて生成され、モデルはエンドツーエンドでトレーニングされる。
• 正確な解との比較およびノイズパワー スペクトルなどの標準的量子制御指標の抽出を通じて、フレームワークの妥当性を検証する。
• 勾配ベースの解析により、ノイズ特性の逆設計と制御最適化を可能とすることで、モデルの解釈性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 量子力学的法則をホワイトボックスコンponentとして埋め込んだ機械学習モデルが、従来の量子ノイズスペクトロスコピーに比べ、複雑で非マルコフ的ノイズのモデリングにおいて優れた性能を示すか。
• RQ2 ハイブリッドグレイボックスモデルが物理的整合性を保ちながら、未知のノイズおよび制御依存関係をどの程度学習できるか。
• RQ3 トレーニング済みモデルが、明示的なスペクトル分解を要せずとも、従来の量子制御指標（例：ノイズパワー スペクトル）を抽出できるか。
• RQ4 ダイナミカルデコherenceの文脈において、未観測のノイズ実現および制御シーケンスに対して、モデルの一般化性能はどの程度高いか。
• RQ5 ノイズスペクトルの事前知識がなくても、デコherence抑制のための効果的な制御シーケンスを設計するためにモデルが利用可能か。

主な発見

• 全テストデータセットにおいて、最も悪いケースでも予測誤差が10⁻²未満、平均誤差は10⁻³未満、最良ケースでは10⁻⁵に達するなど、高い精度を達成した。
• 予測結果からノイズパワー スペクトルを効果的に抽出でき、明示的なスペクトル解析を要せずとも、従来の量子ノイズスペクトロスコピー指標と整合性を示した。
• トレーニング済みモデルにより、さまざまなノイズ条件下で、シミュレートされた量子ビットダイナミクスにおけるデコherenceの顕著な抑制が実現された。
• 未観測のノイズ実現および制御パルスシーケンスに対しても、フレームワークは良好な一般化性能を示し、トレーニングデータの分布シフトに対してもロバストであることがわかった。
• CPMG、XY7、GXYなどの多様な制御プロトコルにおいて、モデルの性能が一貫しており、実世界の実験プラットフォームへの汎用性と適用可能性を確認した。
• ニューラルネットワークアーキテクチャに量子特徴を統合することで、物理的整合性を維持しながら、深層学習の表現力も保った。これは、解釈性と精度の両面で、完全にブラックボックスなモデルを上回る性能を示した。