[論文レビュー] Precise Image Generation on Current Noisy Quantum Computing Devices

Florian Rehm, S. Vallecorsa+4 more|arXiv (Cornell University)|Jan 1, 2023

Quantum Computing Algorithms and Architecture参考文献 33被引用数 1

ひとこと要約

本論文は、角度符号化を用いた変分量子回路を用いて、現在のノイズの多いNISQ量子デバイス上で画像生成精度を最適化する完全な量子生成モデル、Quantum Angle Generator (QAG) を導入する。高エネルギー物理学のコンパクト・カルシウム・ショワー像のシミュレーションにおいて、平均二乗誤差 (MSE) が最小0.00038にまで低下する優れた忠実度を示し、最大8%までのハードウェアのノイズおよびキャリブレーション・ドリフトに対してもロバストであることを実証した。

ABSTRACT

The Quantum Angle Generator (QAG) is a new full Quantum Machine Learning model designed to generate accurate images on current Noise Intermediate Scale (NISQ) Quantum devices. Variational quantum circuits form the core of the QAG model, and various circuit architectures are evaluated. In combination with the so-called MERA-upsampling architecture, the QAG model achieves excellent results, which are analyzed and evaluated in detail. To our knowledge, this is the first time that a quantum model has achieved such accurate results. To explore the robustness of the model to noise, an extensive quantum noise study is performed. In this paper, it is demonstrated that the model trained on a physical quantum device learns the noise characteristics of the hardware and generates outstanding results. It is verified that even a quantum hardware machine calibration change during training of up to 8% can be well tolerated. For demonstration, the model is employed in indispensable simulations in high energy physics required to measure particle energies and, ultimately, to discover unknown particles at the Large Hadron Collider at CERN.

研究の動機と目的

• 現在のノイズの多いNISQ量子デバイス上で高精度な画像生成が可能な完全な量子生成モデルの開発。
• 既存の量子生成モデルの忠実度、スケーラビリティ、ハードウェア互換性の制限を克服すること。
• 実世界の高エネルギー物理学シミュレーションにおける、量子機械学習モデルのハードウェアのノイズおよびキャリブレーション変動に対するロバスト性の評価。
• CERNの大型ハドロン衝突型加速器における複雑なシミュレーションの高速化に向けた量子モデルの実用的応用の実証。

提案手法

• QAGモデルは、古典的画像データ（例：カルシウム・ショワーのエネルギー）をキュービット状態にマップするため、線形スケーリングの角度符号化を用いた変分量子回路を採用する。
• MERA、TTN、およびMERA-upの変種を含む複数の回路アーキテクチャが、性能およびパラメータ効率性の観点から評価された。
• MERA-upサンプリング・アーキテクチャが最適と特定され、高い忠実度と中程度のパラメータ数の両立を実現した。
• 量子推論は実際のIBM量子デバイス（ibmq montreal および ibm cairo）上で実施され、トレーニングおよび評価は物理的ハードウェア上で実行された。
• 精度は、平均ショワー形状のMSE、エネルギー合計ヒストグラムの一致度（平均および標準偏差）、相関プロットを用いて測定された。
• 量子ノイズの包括的評価を通じて、ハードウェアのノイズおよびキャリブレーション変更（最大8%）下でのモデルのロバスト性が評価された。

実験結果

リサーチクエスチョン

• RQ1 完全な量子生成モデルは、現在のノイズの多いNISQデバイス上で高精度な画像生成を達成できるか？
• RQ2 MERA、TTN、MERA-upの中では、どの量子回路アーキテクチャが忠実度とパラメータ効率性の最良のトレードオフを達成するか？
• RQ3 QAGモデルは、実際の量子デバイスにおけるハードウェアのノイズおよびキャリブレーション・ドリフトに対してどれほどロバストか？
• RQ4 QAGモデルは、古典的なモンテカルロシミュレーションの置き換えや高速化に十分な精度で高エネルギー物理学の検出器応答をシミュレートできるか？

主な発見

• MERA-up d2 Rzアーキテクチャは、MSE 0.00094 ± 0.0008、相関係数X 0.9999、エネルギー忠実度E 0.954を達成した。
• MERA-up Rzアーキテクチャは、わずか46パラメータで高い精度（X = 0.9961、E = 0.926、MSE = 0.00047）を達成し、NISQデバイスにとって実用的な選択肢となった。
• 物理的ハードウェア（ibm cairo）でトレーニングされたモデルは、平均ショワー像および相関パターンを正しく再現しており、ノイズ特性の効果的な学習が確認された。
• トレーニング中に最大8%までのキャリブレーション変更が生じても、性能に顕著な劣化が見られず、強いロバスト性を示した。
• 23パラメータのみで構成されるMERA-upアーキテクチャは、高い性能（MSE = 0.00059、X = 0.9377、E = 0.894）を維持し、古典的ハードウェア上での効率的なトレーニングを可能にした。
• QAGモデルは、NISQデバイス上での量子画像生成分野で最先端の結果を達成し、忠実度および実世界のHEPシミュレーションにおける実用性の面で、既存のモデルを上回った。