[論文レビュー] Enhancing quantum computer performance via symmetrization

Andrii Maksymov, Jason Nguyen+2 more|arXiv (Cornell University)|Jan 18, 2023

Quantum Computing Algorithms and Architecture被引用数 5

ひとこと要約

本論文は、量子回路の複数の対称的バージョンを生成し、異なるキュービットマッピング上で実行し、非線形投票によって結果を集約することで、トラップドアイオントラップ量子コンピュータの性能を向上させるファームウェアレベルの誤り低減戦略「シンメトリゼーション」を導入する。IonQ Ariaシステムにおいて、この手法は、キュービットやゲートの追加コストなしに15キュービットの量子フーリエ変換アダー回路で最大100倍の性能向上を達成し、決定論的制御誤差を顕著に低減しながら統計的忠実度を維持する。

ABSTRACT

Large quantum computers promise to solve some critical problems not solvable otherwise. However, modern quantum technologies suffer various imperfections such as control errors and qubit decoherence, inhibiting their potential utility. The overheads of quantum error correction are too great for near-term quantum computers, whereas error-mitigation strategies that address specific device imperfections may lose relevance as devices improve. To enhance the performance of quantum computers with high-quality qubits, we introduce a strategy based on symmetrization and nonlinear aggregation. On a commercial trapped-ion quantum computer, it improves performance of multiple practical algorithms by 100x with no qubit or gate overhead.

研究の動機と目的

• ゆっくりと変化する制御誤差による、近い将来の量子コンピュータにおける持続的な性能制限を解消すること。特に、高精度なトラップドアイオントラップシステムにおいて顕著である。
• 追加のキュービットやゲートを必要とせず、量子誤り訂正の高いコストを回避するファームウェアレベルの誤り低減戦略を開発すること。
• 確率的ノイズモデルやデバイス固有のキャリブレーションに依存する従来の誤り低減技術の限界を克服すること。これは、キュービットの品質が向上するにつれて陳腐化する可能性がある。
• 回路コンパイル、キュービットマッピング、ゲート分解における対称性を活用することで、アルゴリズムレベルでの体系的な性能向上を可能にすること。
• 量子フーリエ変換や量子機械学習回路を含む、さまざまな実用的量子アルゴリズムに適用可能なスケーラブルで汎用的なフレームワークを提供すること。

提案手法

• キュービットマッピングのランダムな置換と、理想のユニタリ操作を保持する代替ゲート分解を適用することで、量子回路の複数の対称的バージョンを生成する。
• 同じ量子プロセッサ上で、一貫したキャリブレーション条件の下で各バージョンを実行し、決定論的制御誤差の影響を分離する。
• 全バージョンからの測定統計を収集し、成分別平均または非線形多数決投票を用いて集約することで、系統的誤差を低減する。
• 閾値ベースの投票メカニズムを用い、全バージョンで最も頻繁に観測されたビットストリングを特定する。合意形成が得られない場合には、平均化にフォールバックする。
• 出力が既知の回路におけるトレーニングランを用いて、バージョン数、繰り返し回数、ゲート分解戦略などのハイパーパrameterを最適化する。
• 対称性の均一なランダムサンプリングを活用することで、すべての過去の対称性構成を保存する必要なく統計的カバレッジを確保し、スケーラブルな実装を可能にする。

実験結果

リサーチクエスチョン

• RQ1 量子回路バージョンのシンメトリゼーションは、高精度なトラップドアイオントラップ量子コンピュータにおけるゆっくりと変化する制御誤差の影響を顕著に低減できるか？
• RQ2 線形平均化に比べ、多数決投票による非線形集約は、ランダムノイズを増幅させることなく、決定論的誤差を効果的に低減できるか？
• RQ3 量子フーリエ変換や量子機械学習回路といった実用的量子アルゴリズムの性能向上に、シンメトリゼーションがキュービットやゲートの追加コストなしにどの程度寄与できるか？
• RQ4 対称性サンプリングの選択（例：ランダム vs. 低不規則性）が、シンメトリゼーションプロセスの収束性と正確性にどのように影響するか？
• RQ5 本手法は、出力確率が一様な分布やスパarsな分布を示す回路を含む、多様な量子回路クラスにおいても、効果的かつ安定に機能するか？

主な発見

• 15キュービットの量子フーリエ変換アダー回路において、多数決投票を用いたシンメトリゼーションは、ベースライン実行に比べ100倍の性能向上を達成したが、理想出力に歪みは生じなかった。
• 量子機械学習回路では、成分別平均による線形集約が1.5〜2倍の性能向上をもたらした。これは一貫したが、より控えめな向上であった。
• 多数決投票戦略は、2キュービットゲートにおける系統的アンダーローテーションなどの決定論的制御誤差を効果的にキャンセルしたが、ランダムノイズの統計的整合性は維持された。
• 単一のバージョンが正しい結果を出力しなくても、複数の対称的バージョン間の投票により、コンSENSUSを通じて正しい出力を回復できた。
• トレーニングランにより、バージョン数や投票閾値を含む最適なハイパーパrameterが特定可能となり、類似構造の複数の回路に再利用された。
• 本手法はスケーラブルで、ハードウェアに依存しない設計である。これは、回路コンパイルとキュービットマッピングにおける対称性にのみ依存するため、トラップドアイオントラップを越えた将来の高精度量子プロセッサにも適用可能である。