[論文レビュー] Machine Learning for Practical Quantum Error Mitigation

Haoran Liao, Derek S. Wang+4 more|arXiv (Cornell University)|Sep 29, 2023

Quantum Computing Algorithms and Architecture被引用数 10

ひとこと要約

本研究は、従来手法より低い実行オーバーヘッドで古典的機械学習モデルが量子誤差を緩和できることを示し、100量子ビットまでの回路でほぼノイズのない結果を達成し、さまざまな状況で標準的なQEM手法を模倣または上回ることができる。

ABSTRACT

Quantum computers progress toward outperforming classical supercomputers, but quantum errors remain their primary obstacle. The key to overcoming errors on near-term devices has emerged through the field of quantum error mitigation, enabling improved accuracy at the cost of additional run time. Here, through experiments on state-of-the-art quantum computers using up to 100 qubits, we demonstrate that without sacrificing accuracy machine learning for quantum error mitigation (ML-QEM) drastically reduces the cost of mitigation. We benchmark ML-QEM using a variety of machine learning models -- linear regression, random forests, multi-layer perceptrons, and graph neural networks -- on diverse classes of quantum circuits, over increasingly complex device-noise profiles, under interpolation and extrapolation, and in both numerics and experiments. These tests employ the popular digital zero-noise extrapolation method as an added reference. Finally, we propose a path toward scalable mitigation by using ML-QEM to mimic traditional mitigation methods with superior runtime efficiency. Our results show that classical machine learning can extend the reach and practicality of quantum error mitigation by reducing its overheads and highlight its broader potential for practical quantum computations.

研究の動機と目的

• 近接期デバイス上での量子誤差緩和（QEM）の妥当性を動機づけ、実用性を評価する。
• ノイズのあるQPU出力からノイズフリーな期待値を予測する広範なMLモデルを評価する。
• 多様な回路クラスとノイズ特性の下で、ML-QEMの性能を従来のQEM手法と比較する。
• 実機の大規模な100量子ビット回路で従来のQEM手法を模倣することによるスケーラビリティを示す。

提案手法

• エンコーダが回路と対象QPUから特徴を生成し、訓練済みモデルがノイズのある期待値を緩和後の期待値へ写像するML-QEMワークフローを定義する。
• 4つのMLモデルを評価する：線形回帰（OLS）、ランダムフォレスト（RF）、多層パーセプトロン（MLP）、グラフニューラルネットワーク（GNN）。
• 扱いやすいスケールのシミュレーションまたはハードウェア提供のターゲットでモデルを訓練する；実行時には、追加の緩和回路なしで緩和後の値を予測する。
• デジタルゼロノイズ外挿（ZNE）と比較してベンチマークを行い、実行時オーバーヘッドを分析する。
• 100量子ビット回路でRFを介してZNEを模倣し、オーバーヘッドを削減することでスケーラビリティを示す。
• 未知のPauli観測量および変分量子特性ソルバー（VQE）シナリオへML-QEMを適用する。

実験結果

リサーチクエスチョン

• RQ1 ML-QEMは、回路クラスやノイズモデルを横断して、従来のQEM手法と同等以上の緩和精度を達成できるか？
• RQ2 どのMLモデルが最小の実行オーバーヘッドで量子誤差を最も良く緩和でき、未知の観測量へどれだけ一般化できるか？
• RQ3 ML-QEMは既存のQEM手法を模倣することや直接学習を通じて、実験的に関連する大規模回路へスケールできるか？
• RQ4 さまざまなノイズプロファイルに対して、補間と外挿の両方でML-QEMはどう機能するか？
• RQ5 最適化中の緩和オーバーヘッドを削減するため、VQEワークフローにML-QEMを組み込むことは可能か？

主な発見

• ランダムフォレストはランダム回路におけるPauli-Z観測量の緩和で他のMLモデルを一貫して上回る。
• すべてのML-QEMモデルはZNEと競合する性能を達成しつつ、実行オーバーヘッドを少なくとも2倍削減する。
• RFベースのML-QEMは、少数の観測量で訓練した場合、未知のPauli観測量をZNEより低いオーバーヘッドで緩和できる。
• IBMデバイスでのハードウェア実験では、RFはZNEと比較して全体オーバーヘッドを約30%低く、実行時オーバーヘッドを約50%低く緩和する。
• 100量子ビット回路でZNEを模倣するRFは、全体オーバーヘッドを約25%低く、実行時オーバーヘッドを約50%低く、同等の緩和結果を達成する。
• ML-QEMは変分量子固有値問題（VQE）のエネルギー推定を大幅に改善し、提示された例でZNEより1桁小さい誤差を生み出す。
• 模倣は伝統的なQEM手法の出力を再現することを学習して、実行時要件を削減することで、古典的には計算不能な回路へのスケーリングを可能にする。