[論文レビュー] Improving the efficiency of learning-based error mitigation

Piotr Czarnik, Michael McKerns+2 more|arXiv (Cornell University)|Apr 14, 2022

Quantum Computing Algorithms and Architecture被引用数 7

ひとこと要約

本論文は、対称性の活用とMCMCサンプリングを用いて訓練データを戦略的に選択することで、Clifford Data Regression (CDR) を改善するショット効率の高い学習ベースの誤り補正手法を提案する。この手法は、量子ハードウェアのショット数を10倍に削減し、2×10⁵ショットで未補正結果の10倍の改善を達成しながらも、正確性を維持する。また、ハードウェアドリフトに対しても安定性を示す。

ABSTRACT

Error mitigation will play an important role in practical applications of near-term noisy quantum computers. Current error mitigation methods typically concentrate on correction quality at the expense of frugality (as measured by the number of additional calls to quantum hardware). To fill the need for highly accurate, yet inexpensive techniques, we introduce an error mitigation scheme that builds on Clifford data regression (CDR). The scheme improves the frugality by carefully choosing the training data and exploiting the symmetries of the problem. We test our approach by correcting long range correlators of the ground state of XY Hamiltonian on IBM Toronto quantum computer. We find that our method is an order of magnitude cheaper while maintaining the same accuracy as the original CDR approach. The efficiency gain enables us to obtain a factor of $10$ improvement on the unmitigated results with the total budget as small as $2\cdot10^5$ shots. Furthermore, we demonstrate orders of magnitude improvements in frugality for mitigation of energy of the LiH ground state simulated with IBM's Ourense-derived noise model.

研究の動機と目的

• 近い将来の量子デバイスへの実用的導入を制限する、学習ベースの誤り補正における高コストなショット数を低減すること。
• 長時間にわたる訓練期間中にノイズ特性が変化するなど、標準的なCDRがハードウェアドリフトに対して脆弱であるという問題を克服すること。
• 観測量の期待値の範囲にわたり、知的な方法で訓練回路をサンプリングすることで、ショット効率を向上させつつ、補正の正確性を損なわないこと。
• 限られたショット予算のもとで繰り返し回路実行を要する変動型量子アルゴリズムやその他の応用において、信頼性の高い誤り補正を可能にすること。

提案手法

• 観測量の期待値の多様な値を有する訓練回路を生成するために、対称性の活用を用いることで、ノイズ挙動の広範なカバレッジを確保する。
• Markov Chain Monte Carlo (MCMC) サンプリングを適用し、目的の観測量の値がパラメータ空間でクラスタリングしないように、良好に分散された訓練データを生成する。
• 各観測量に対して、特定の目的の期待値（例：-0.5、0、0.5）を持つ訓練セットを構築することで、モデルの汎化性能とフィット品質を向上させる。
• 最適化された訓練セット上でCDR風のアンザッツを訓練し、ノイズのある期待値とノイズレスな期待値とのマッピングを学習する。
• 各訓練セットに対して、関心のある回路の独立した測定を実施することで、統計的安定性を確保し、分散を低減する。
• 訓練と推論の間の時間を最小限にすることで、ハードウェアドリフトが補正性能に与える影響を低減する。

実験結果

リサーチクエスチョン

• RQ1 訓練データ選択戦略は、正確性を損なわせることなく、学習ベースの誤り補正におけるショットコストを顕著に低減できるか？
• RQ2 ハードウェアドリフトは標準的なCDRの性能にどのように影響を与えるか？また、ショット効率の高い訓練はこの問題を緩和できるか？
• RQ3 対称性の活用とMCMCサンプリングは、訓練データの分布をどのように改善し、誤り補正モデルの汎化性能を向上させることができるか？
• RQ4 ショット効率の高いCDR手法は、数個のオーダーもしくはそれ以上に少ない量子ハードウェアショットで、標準的なCDRと同等またはそれ以上の正確性を達成できるか？

主な発見

• 提案手法は、標準的なCDRと比較して、必要な量子ハードウェアショット数を10倍に削減しながらも、同等の正確性を達成した。
• 合計2×10⁵ショットのわずかなスコアでも、XYハミルトニアンの基底状態において、未補正結果の10倍の改善が達成された。
• 実行1では誤差が0.14、実行2では0.28であったため、ハードウェアドリフトが標準的なCDRの性能に顕著に影響することが示された。
• ショット効率の高い手法は、訓練と推論の時間窓を短くすることで、標準的なCDRよりもハードウェアドリフトに対して感受性が低くなった。
• 標準的なCDRでは訓練データのクラスタリングが生じ、その結果、汎化性能が劣ることがあったが、MCMCでサンプリングされた対称性に配慮した訓練回路により、この問題が緩和された。
• 異なる相関関数においても、高い補正品質を維持しており、XₐXᵢ₊Q/₂およびYᵢYᵢ₊Q/₂の両方の観測量で一貫した性能を示した。