[論文レビュー] Can Noise on Qubits Be Learned in Quantum Neural Network? A Case Study on QuantumFlow

Zhiding Liang, Zhepeng Wang+5 more|arXiv (Cornell University)|Sep 8, 2021

Quantum Computing Algorithms and Architecture参考文献 32被引用数 7

ひとこと要約

この論文では、量子ニューラルネットワーク（QNN）のための誤りに配慮した学習フレームワークを提案し、モデル最適化中にキュービットノイズを学習・低減する。アプリケーション固有のコンパイラを用いて、効率的かつ繰り返し可能なキュービットマッピングを実現する。このアプローチにより、ノイズの多いハードウェア上でも誤り無視の学習に比べて最大28%高い精度を達成し、追加の物理的キュービットを必要とせずに耐障害性を示す。

ABSTRACT

In the noisy intermediate-scale quantum (NISQ) era, one of the key questions is how to deal with the high noise level existing in physical quantum bits (qubits). Quantum error correction is promising but requires an extensive number (e.g., over 1,000) of physical qubits to create one "perfect" qubit, exceeding the capacity of the existing quantum computers. This paper aims to tackle the noise issue from another angle: instead of creating perfect qubits for general quantum algorithms, we investigate the potential to mitigate the noise issue for dedicate algorithms. Specifically, this paper targets quantum neural network (QNN), and proposes to learn the errors in the training phase, so that the identified QNN model can be resilient to noise. As a result, the implementation of QNN needs no or a small number of additional physical qubits, which is more realistic for the near-term quantum computers. To achieve this goal, an application-specific compiler is essential: on the one hand, the error cannot be learned if the mapping from logical qubits to physical qubits exists randomness; on the other hand, the compiler needs to be efficient so that the lengthy training procedure can be completed in a reasonable time. In this paper, we utilize the recent QNN framework, QuantumFlow, as a case study. Experimental results show that the proposed approach can optimize QNN models for different errors in qubits, achieving up to 28% accuracy improvement compared with the model obtained by the error-agnostic training.

研究の動機と目的

• 量子誤り訂正に依存せずに、近位量子コンピュータの高ノイズ環境に耐性を持つQNNを構築すること。
• 学習に適した一貫性があり、効率的なキュービットマッピングを保証するアプリケーション固有のコンパイラを開発すること。
• 明示的なノイズモデルを用いた学習が、標準的な誤り無視型学習に比べてより耐障害性の高いモデルを生成することを実証すること。

提案手法

• 異なるハードウェア構成に対しても一貫した論理キュービットから物理キュービットへのマッピングを固定するアプリケーション固有のキュービットマッピングアルゴリズムを設計し、ゲート数を最小限に抑え、再現性を確保する。
• ノイズを明示的にモデル化し、QNN最適化中に学習するフレームワークにマッピングアルゴリズムを統合する。
• バックプロパゲーション中にさまざまな誤り率（例：ビット反転、位相シフト）をシミュレートするため、古典的計算を用いてノイズに配慮した損失関数でQNNを学習する。
• 知的なキュービット割り当てによりエンタングルメントのオーバーヘッドを最小限に抑え、回路の深さを最適化し、SWAPゲートの使用を削減する。
• 0.02秒未満でマッピングを完了するコンパイラを実装し、従来のヒューリスティックおよび最適コンパイラに比べ200倍以上の高速化を達成する。
• IBM Qiskitシミュレータおよび実機（ibmq_montreal）の両方でフレームワークを検証し、さまざまな誤り率における精度と効率を比較する。

実験結果

リサーチクエスチョン

• RQ1 QNNは最適化段階で特定のキュービットノイズ特性を学習・適応させることができるか？
• RQ2 アプリケーション固有のキュービットマッピングは、ハードウェアノイズの存在下でQNN学習の効率性と一貫性にどのように影響するか？
• RQ3 誤りに配慮した学習は、ノイズの多い中規模量子（NISQ）デバイス上で誤り無視型学習に比べてどの程度QNNの精度を向上させられるか？
• RQ4 アプリケーション固有のコンパイラは、QNNの回路品質を維持または向上させつつ、コンパイル時間を顕著に短縮できるか？
• RQ5 SWAPゲートの使用を減らすことは、最終的なQNNの精度と実行効率にどのような影響を与えるか？

主な発見

• 提案された誤りに配慮した学習フレームワークは、キュービット誤り率が0.1に達した際、ベースラインモデルに比べ最大28%高い精度を達成した。QF-RobustNNは、ベースラインが50%未満に低下する中で75%の精度を維持した。
• 誤り率が0.0005、0.001、0.01の各条件下で、QF-RobustNNモデルは誤り無視型ベースラインに比べそれぞれ1%、2%、5%の精度向上を示した。
• アプリケーション固有のコンパイラにより、ibmq_montreal上でのマッピング時間が0.014～0.020秒に短縮され、ヒューリスティックベースのHAコンパイラに比べ200倍以上、QUEKOに比べ180,000倍以上の高速化が達成された。
• 提案されたコンパイラを用いることで、QF-RobustNNモデルは実機上での精度が80%に達した。HAを使用した場合75%、ベースラインでは74%であった。SWAPゲートの使用数は、HAの43に対して12にまで削減された。
• 中程度の回路複雑度の回路において、フレームワークはQUEKOに比べ最大355,526倍の高速化を示し、さまざまな回路複雑度レベルで一貫した性能向上を確認した。
• 結果から、学習段階でノイズを学ぶことは有効であり、NISQ時代におけるスケーラブルなQNN学習には、一貫性と効率性のあるキュービットマッピングが不可欠であることが確認された。