[論文レビュー] QuantumNAT: Quantum Noise-Aware Training with Noise Injection, Quantization and Normalization

Hanrui Wang, Jiaqi Gu+5 more|arXiv (Cornell University)|Oct 21, 2021

Quantum Computing Algorithms and Architecture参考文献 21被引用数 8

ひとこと要約

QuantumNAT は、ハードウェア固有の誤差モデルを用いたノイズインジェクション、測定後の正規化、測定後の量子化を組み合わせた、パラメトリックな量子回路（PQC）のためのノイズに配慮した学習フレームワークであり、ノイズの多い中規模量子（NISQ）デバイスにおける耐性を向上させる。実機量子ハードウェア上での8つの分類タスクにおいて、最大43%の精度向上を達成し、2クラス、4クラス、10クラスタスクの精度はそれぞれ94%、80%、34%であった。

ABSTRACT

Parameterized Quantum Circuits (PQC) are promising towards quantum advantage on near-term quantum hardware. However, due to the large quantum noises (errors), the performance of PQC models has a severe degradation on real quantum devices. Take Quantum Neural Network (QNN) as an example, the accuracy gap between noise-free simulation and noisy results on IBMQ-Yorktown for MNIST-4 classification is over 60%. Existing noise mitigation methods are general ones without leveraging unique characteristics of PQC; on the other hand, existing PQC work does not consider noise effect. To this end, we present QuantumNAT, a PQC-specific framework to perform noise-aware optimizations in both training and inference stages to improve robustness. We experimentally observe that the effect of quantum noise to PQC measurement outcome is a linear map from noise-free outcome with a scaling and a shift factor. Motivated by that, we propose post-measurement normalization to mitigate the feature distribution differences between noise-free and noisy scenarios. Furthermore, to improve the robustness against noise, we propose noise injection to the training process by inserting quantum error gates to PQC according to realistic noise models of quantum hardware. Finally, post-measurement quantization is introduced to quantize the measurement outcomes to discrete values, achieving the denoising effect. Extensive experiments on 8 classification tasks using 6 quantum devices demonstrate that QuantumNAT improves accuracy by up to 43%, and achieves over 94% 2-class, 80% 4-class, and 34% 10-class classification accuracy measured on real quantum computers. The code for construction and noise-aware training of PQC is available in the TorchQuantum library.

研究の動機と目的

• 高ノイズ率（約10^-3）のため、実機量子ハードウェア上でのパラメトリックな量子回路（PQC）の精度が著しく低下する問題（QNN性能が60%以上低下する可能性あり）を是正すること。
• 推論時のみに適用される一般的なノイズ低減手法とは異なり、学習時および推論時の両方で動作する、PQCに特化したノイズ低減フレームワークを構築すること。
• ハードウェア固有のノイズモデルを用いて、学習時に現実的なノイズをシミュレートすることで、PQCパラメータの内在的耐性を向上させること。
• 測定結果を離散化することでノイズへの感受性を低下させ、ノイズ除去効果を高める測定後の量子化により、測定ノイズの影響を低減すること。
• TorchQuantum ライブラリを介して利用可能な実用的でハードウェアに配慮したトレーニングパイプラインを提供し、実機量子コンピュータへのデプロイを可能にすること。

提案手法

• 測定後の正規化は、量子ノイズによって引き起こされる特徴分布のずれを補正するために、データサンプル全体にわたる各キュービットの測定結果に線形変換（スケーリングとシフト）を適用する。
• トレーニング中のノイズインジェクションでは、IBMQ などの量子コンピュータベンダーが提供する現実的なノイズモデルに基づき、デポラライジング、ビット反転、位相反転の各エラーゲートをPQCに挿入する。エラーの種別と確率は反復的にサンプリングされる。
• ノイズインジェクションプロセスはバックプロパゲーションループに統合されており、モデルがハードウェア固有のノイズに耐性を持つパラメータを学習できるようにする。
• 測定後の量子化は、連続的な測定結果を離散的なビンに変換することで、微小なノイズ変動への感受性を低下させ、ノイズ除去効果を強化する。
• フレームワークは、3段階のパイプラインとしてエンドツーエンドに適用される：(1) 推論時測定の正規化、(2) ノイズインジェクション付きトレーニング、(3) 推論出力の量子化。
• 本手法は、6台の実機量子デバイス上で、さまざまなアーキテクチャとハードウェア構成を持つQNNを用いて、8つの分類タスクで評価された。

実験結果

リサーチクエスチョン

• RQ1 測定結果のノイズ誘発的分布シフトに対処するPQC特化のノイズ低減フレームワークは、実機量子ハードウェア上でのモデル精度を向上させることができるか？
• RQ2 トレーニング中にハードウェア固有の量子ノイズをインジェクションすることで、実デバイスのエラーに対してPQCパラメータの耐性が向上するか？
• RQ3 測定後の量子化は、ノイズ感受性をどれほど低減させ、ノイズの多い量子デバイス上での推論精度を向上させるか？
• RQ4 分類の複雑さ（例：2クラス、4クラス、10クラスタスク）が増加するに従い、QuantumNATの性能はどのようにスケーリングするか？
• RQ5 テストバッチサイズが小さい状況では、検証セット統計を用いてテスト時測定を正規化することが、有効に機能するか？

主な発見

• QuantumNAT は、実機量子ハードウェア上での8つのタスクにおいて、最大43%の精度向上を達成した。10クラス分類では、相対的な改善率が230%に達した。
• 2クラスタスクでは、QuantumNAT は実機デバイスで94%の精度を達成し、ベースラインの58%を大きく上回った。
• 4クラス分類では、80%の精度を達成し、ベースラインの31%から26ポイントの改善を実現した。
• 10クラスタスクでは、34%の精度を達成し、ベースラインの10%から23ポイントの向上を示した。
• 検証セット統計を用いた正規化は、テストセット統計を用いた場合（0.67）と同等の精度（0.65）を達成し、小バッチサイズのデプロイ環境でも有効であることが検証された。
• 本フレームワークは、IBMQ-Santiago、Yorktown、Belem、Athens、Melbourne など多様な量子デバイスで一貫した性能向上を示し、ハードウェアに依存しないがデバイスに配慮した設計であることが確認された。