[論文レビュー] QVECTOR: an algorithm for device-tailored quantum error correction

Peter D. Johnson, Jonathan Romero+3 more|arXiv (Cornell University)|Nov 7, 2017

Quantum Computing Algorithms and Architecture参考文献 51被引用数 26

ひとこと要約

QVECTORは、理想化されたノイズモデルではなく、実際のハードウェアノイズに基づいて符号化および回復操作を最適化する、デバイスに適合した量子エラー訂正アルゴリズムを提案する。シミュレーションにより、位相減衰下では有効なT₂を六倍に延長し、振幅および位相減衰下では五量子ビットの安定化子コードを上回る性能を発揮する。ノイズのコherenecを活用することで実現される。

ABSTRACT

Current approaches to fault-tolerant quantum computation will not enable useful quantum computation on near-term devices of 50 to 100 qubits. Leading proposals, such as the color code and surface code schemes, must devote a large fraction of their physical quantum bits to quantum error correction. Building from recent quantum machine learning techniques, we propose an alternative approach to quantum error correction aimed at reducing this overhead, which can be implemented in existing quantum hardware and on a myriad of quantum computing architectures. This method aims to optimize the average fidelity of encoding and recovery circuits with respect to the actual noise in the device, as opposed to that of an artificial or approximate noise model. The quantum variational error corrector (QVECTOR) algorithm employs a quantum circuit with parameters that are variationally-optimized according to processed data originating from quantum sampling of the device, so as to learn encoding and error-recovery gate sequences. We develop this approach for the task of preserving quantum memory and analyze its performance with simulations. We find that, subject to phase damping noise, the simulated QVECTOR algorithm learns a three-qubit encoding and recovery which extend the effective T2 of a quantum memory six-fold. Subject to a continuous-time amplitude- plus phase-damping noise model on five qubits, the simulated QVECTOR algorithm learns encoding and decoding circuits which exploit the coherence among Pauli errors in the noise model to outperform the five-qubit stabilizer code and any other scheme that does not leverage such coherence. Both of these schemes can be implemented with existing hardware.

研究の動機と目的

• 近い将来の50〜100量子ビットデバイスにおける、表面コードやカラーディードコードなどの先進的安定化子コードの高い物理的量子ビットのオーバーヘッドを解決すること。
• 理想化されたまたは不正確なノイズモデルに依存する既存のエラー訂正手法の限界を克服すること。
• 既存の量子ハードウェアで実装可能な、ハードウェア統合型の実用的な量子エラー訂正アプローチを開発すること。
• 実際のデバイス固有のノイズプロセスに合わせて符号化および回復回路を最適化することで、エラー訂正のオーバーヘッドを低減すること。
• 量子サンプリングから直接学習することで、故障耐性のある量子計算を近い将来のデバイスで実現する、エラー訂正済み論理操作を学習すること。

提案手法

• 量子メモリの符号化および回復操作を同時に最適化するパラメータ化された量子回路（アンザッツ）を用いる。
• 実際のノイズを反映する量子デバイスから直接サンプリングされたデータを用いて、変動最適化による回路のトレーニングを行う。
• デバイスの実際のノイズ特性に応じて、符号化および回復プロセスの平均忠実度を最適化する。
• 量子機械学習技術を活用して、ノイズのコherenecを活用する非パウリ型、デバイス固有のエラー訂正方式を学習する。
• 位相減衰および連続時間の振幅および位相減衰ノイズモデル下で、3量子ビットおよび5量子ビット系にアルゴリズムを適用する。
• 量子サンプリングからの測定忠実度推定値に基づき、古典的最適化を用いて回路パラメータを更新する。

実験結果

リサーチクエスチョン

• RQ1 変動量子アルゴリズムは、標準の安定化子コードを上回る、効果的でデバイスに特化したエラー訂正コードを学習できるか？
• RQ2 近い将来の量子デバイスにおけるエラー訂正のオーバーヘッドを低減するために、実際のハードウェアノイズをどの程度活用できるか？
• RQ3 理想化されたモデルではなく、実際のデバイスノイズに基づいて最適化することで、量子メモリのコherenecに測定可能な向上が得られるか？
• RQ4 QVECTORアルゴリズムは、完全な故障耐性アーキテクチャを必要とせずに、既存の量子ハードウェアで実装可能か？
• RQ5 コherentなエラー構造を持つ現実的なノイズモデル下で、QVECTORの性能は五量子ビットの安定化子コードを上回るか？

主な発見

• 位相減衰ノイズ下では、QVECTORは3量子ビットの符号化および回復を学習し、量子メモリの有効なT₂を六倍に延長した。
• 連続時間の振幅および位相減衰ノイズモデル下では、QVECTORはノイズ内のパウリエラー間のコherenecを活用することで、五量子ビットの安定化子コードを上回った。
• QVECTORが学習した符号は、ノイズモデルのコherenecを活用しないあらゆる手法よりも高い平均忠実度を達成した。
• このアルゴリズムは、既存の量子ハードウェアで実装可能であり、新たなゲートセットや故障耐性インfraを必要としない。
• QVECTORのコスト関数のランドスケープは、変動量子回路の構造に敏感であり、設計選択が最適化の成功に顕著に影響することが示唆された。
• このアプローチは、変動符号の連結によりユニバーサルゲートセットへの拡張が可能であると示唆され、エラー訂正済み量子ゲートの学習の可能性を示している。