[論文レビュー] Training Quantum Neural Networks on NISQ Devices

Kerstin Beer, Daniel List+3 more|arXiv (Cornell University)|Apr 13, 2021

Quantum Computing Algorithms and Architecture被引用数 5

ひとこと要約

この論文は、ノイズの多い中規模量子（NISQ）デバイス上で学習するための2つの量子ニューラルネットワーク（QNN）アーキテクチャ—散逸的QNN（DQNN）と量子近似最適化アルゴリズム（QAOA）—を評価している。IBMの量子ハードウェア上で勾配ベース最適化を実行した結果、未知のユニタリ演算子を学習する際、DQNNはQAOAに比べて高い忠実度とより高いノイズ耐性を示し、実用的なNISQ時代の応用に適していることが明らかになった。

ABSTRACT

The advent of noisy intermediate-scale quantum (NISQ) devices offers crucial opportunities for the development of quantum algorithms. Here we evaluate the noise tolerance of two quantum neural network (QNN) architectures on IBM's NISQ devices, namely, dissipative QNN (DQNN) whose building-block perceptron is a completely positive map, and the quantum approximate optimization algorithm (QAOA). We compare these two approaches to learning an unknown unitary. While both networks succeed in this learning task, we find that a DQNN learns an unknown unitary more reliably than QAOA and is less susceptible to gate noise.

研究の動機と目的

• 現在のNISQデバイス上で2つのQNNアーキテクチャ—DQNNとQAOA—のノイズ耐性とパフォーマンスを評価すること。
• 現実のゲートノイズ下で、未知のユニタリ演算子を学習する際のDQNNとQAOAのロバストネスを比較すること。
• 内在的なノイズとドリフトを伴う実際の量子ハードウェア上で、勾配ベースの学習がどのように機能するかを調査すること。
• NISQデバイスの高いノイズレベルにもかかわらず、両QNNの一般化能力を評価すること。
• DQNNのアーキテクチャが、ノイズ下での忠実度と収束性においてQAOAに比べて優位性を示すかどうかを特定すること。

提案手法

• 完全正の写像を量子パーセプトロンとして用い、層状のキュービット相互作用を持つパラメータ化された量子回路としてDQNNを実装する。
• 同じキュービットに作用する交互に並ぶユニタリ層を持つ変分量子回路としてQAOAを実装し、QNNとして解釈する。
• Qiskitを用いてコスト関数（忠実度に基づく）を最小化するように、両ネットワークを勾配降下法で訓練する。
• シミュレータおよび実際のIBM Qデバイス（例：ibmq_casablanca、ibmq_16_melbourne）上で訓練を実行し、忠実度を測定するために破壊的スワップテストを用いる。
• 収束、ノイズの影響、一般化の度合いを評価するために、訓練・検証・恒等的コストをモニタリングする。
• ノイズレベルを変化させるために誤差確率要因（k）を用い、異なるノイズ領域における性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 DQNNアーキテクチャは、NISQデバイス上で未知のユニタリを学習する際、QAOAと比べてどのように異なるか？
• RQ2 現実の量子ハードウェア環境下で、DQNNはQAOAに比べてどれほどゲートノイズに対して耐性があるか？
• RQ3 実際のNISQハードウェアにおける高いノイズレベルとデバイスドリフトにもかかわらず、両QNNは効果的に一般化できるか？
• RQ4 ノイズのある量子実行において、恒等的コストは訓練および検証コストの信頼できる上限として機能するか？
• RQ5 内在的なノイズを伴う実際の量子プロセッサ上で実行された際、DQNNとQAOAのトレーニングダイナミクスはどのように異なるか？

主な発見

• ノイズなしの状態（k=0）では、DQNNとQAOAの両方が未知のユニタリを学習する上で同等のパフォーマンスを示す。
• 現実のゲートノイズ（k=1）下では、DQNNはQAOAよりも常に高い恒等的コストを達成しており、より優れた忠実度とロバストネスを示している。
• ノイズ下でもDQNNは訓練および検証コストがQAOAよりも高いことを示しており、ノイズ特性をよりよく捉え、それに適応できている可能性がある。
• 高いノイズにもかかわらず、両ネットワークは一般化が効果的であることが、検証コストと恒等的コストの比が高かったことから裏付けられている。
• 実際のハードウェア上で数エポック経過した後、訓練コストが恒等的コストを上回ることが確認され、ネットワークが統計的フラクチュエーションの制限を超えて、デバイスのノイズドリフトに適応していることが示された。
• DQNNは特に現在のNISQデバイスのノイズレベルにおいて、QAOAよりもゲートノイズに対して感受性が低く、実用的応用においてより信頼性が高くなる。