[論文レビュー] Machine learning approach for quantum non-Markovian noise classification.

Stefano Martina, Stefano Gherardini+1 more|arXiv (Cornell University)|Jan 8, 2021

Quantum Computing Algorithms and Architecture参考文献 69被引用数 11

ひとこと要約

本論文は、サポートベクターマシン、マルチレイヤーパーセプトロン、再帰的ニューラルネットワークを用いた機械学習フレームワークを提案し、確率的量子ダイナミクスにおける量子非マーカフゾイズノイズを分類する。合成データを1つの量子ウォーク実現から得て訓練することで、コherenCe測定や制御パルスを必要とせず、離散的時刻における位置／エネルギー確率分布測定のみを用いてノイズタイプを分類可能であり、これにより、ノイジー中規模量子デバイスへの直接応用が可能となる。

ABSTRACT

In this paper, machine learning and artificial neural network models are proposed for quantum noise classification in stochastic quantum dynamics. For this purpose, we train and then validate support vector machine, multi-layer perceptron and recurrent neural network, models with different complexity and accuracy, to solve supervised binary classification problems. By exploiting the quantum random walk formalism, we demonstrate the high efficacy of such tools in classifying noisy quantum dynamics using data sets collected in a single realisation of the quantum system evolution. In addition, we also show that for a successful classification one just needs to measure, in a sequence of discrete time instants, the probabilities that the analysed quantum system is in one of the allowed positions or energy configurations, without any external driving. Thus, neither measurements of quantum coherences nor sequences of control pulses are required. Since in principle the training of the machine learning models can be performed a-priori on synthetic data, our approach is expected to find direct application in a vast number of experimental schemes and also for the noise benchmarking of the already available noisy intermediate-scale quantum devices.

研究の動機と目的

• オープン量子系における量子非マーカフゾイズノイズを分類するための機械学習手法の開発。
• 量子コherenCeの測定や制御パルスの適用を回避することで、実験的複雑性を低減すること。
• 1回の系の時間発展からの時系列確率データのみを用いてノイズ分類を可能とすること。
• 合成データに対する事前学習により、ノイジー中規模量子（NISQ）デバイスにおけるノイズベンチマーク支援を可能とすること。
• 標準的なニューラルネットワークを用いた量子ノイズ分類の実現可能性を示すこと、実験的オーバーヘッドを最小限に抑えること。

提案手法

• 本研究では、3つの機械学習モデル（サポートベクターマシン、マルチレイヤーパーセプトロン、再帰的ニューラルネットワーク）を用いた教師あり二値分類を採用する。
• モデルは、異なるノイズ状態下での量子ランダムウォーク形式から生成された合成データセット上で訓練される。
• 入力データは、離散的時刻における特定の位置またはエネルギー状態に系が存在する確率の時系列データである。
• 本アプローチは、外部駆動や量子コherenCeの測定を一切不要とせず、純粋に分布データ（スピン状態の人口）に依存する。
• 分類精度および一般化性能を評価するために、未知のデータに対してモデルを検証する。
• 事前学習として合成データ上で訓練が行われるため、実験的環境でのリアルタイム応用が可能となる。

実験結果

リサーチクエスチョン

• RQ1 時系列確率データのみを用いて、機械学習モデルは量子系における非マーカフゾイズノイズを正確に分類できるか？
• RQ2 量子コherenCeの測定や制御パルスの適用なしに、信頼性の高いノイズ分類が可能か？
• RQ3 異なるニューラルネットワークアーキテクチャは、量子ダイナミクスにおけるマーカフゾイズと非マーカフゾイズノイズをどれほど効果的に区別できるか？
• RQ4 合成データに対する事前学習により、実験的シナリオにおいても正確な分類が可能か？
• RQ5 量子系における効果的なノイズ分類に必要な最小限の実験的測定は何か？

主な発見

• 提案された機械学習モデルは、1回の量子系時間発展からの時系列確率データのみを用いても、量子非マーカフゾイズノイズの分類において高い精度を達成する。
• サポートベクターマシン、マルチレイヤーパーセプトロン、再帰的ニューラルネットワークは、いずれもマーカフゾイズと非マーカフゾイズノイズ領域を強く区別できる。
• 本手法は、量子コherenCeの測定や外部制御パルスの必要なしに、ノイズ分類を成功裏に実行できる。
• 本アプローチは、1回の系の時間発展からのデータ収集に依存するため、ロバストでスケーラブルである。
• 最小限で実験的に容易に入手可能なデータに依存しているため、既存のノイジー中規模量子デバイスにおけるノイズベンチマークに直接応用可能である。
• 合成データに対する事前学習により、広範な実験的キャリブレーションを要せず、実世界の量子系に展開可能である。