[논문 리뷰] A deep learning model for noise prediction on near-term quantum devices

Alexander Zlokapa, Alexandru Gheorghiu|arXiv (Cornell University)|2020. 05. 21.

Quantum Computing Algorithms and Architecture참고 문헌 18인용 수 21

한 줄 요약

이 논문은 실험 데이터를 기반으로 훈련된 컨volutional 신경망(CNN)을 사용해 근접한 양자 장치에서의 노이즈를 예측하고 감소시키는 딥러닝 기반 양자 회로 컴파일러를 제안한다. 이 컴파일러는 장치 특화 노이즈 모델을 학습하기 위해 실험 데이터를 기반으로 CNN을 훈련시키며, 이를 통해 공백이 있는 회로 영역에 노이즈 최소화 게이트 시퀀스를 삽입함으로써 출력 노이즈를 평균 12.3% 감소시킨다. Qiskit 대비 강한 하드웨어 특이성을 보인다.

ABSTRACT

We present an approach for a deep-learning compiler of quantum circuits, designed to reduce the output noise of circuits run on a specific device. We train a convolutional neural network on experimental data from a quantum device to learn a hardware-specific noise model. A compiler then uses the trained network as a noise predictor and inserts sequences of gates in circuits so as to minimize expected noise. We tested this approach on the IBM 5-qubit devices and observed a reduction in output noise of 12.3% (95% CI [11.5%, 13.0%]) compared to the circuits obtained by the Qiskit compiler. Moreover, the trained noise model is hardware-specific: applying a noise model trained on one device to another device yields a noise reduction of only 5.2% (95% CI [4.9%, 5.6%]). These results suggest that device-specific compilers using machine learning may yield higher fidelity operations and provide insights for the design of noise models.

연구 동기 및 목표

• 근접한 양자 장치에서 디코herence, 게이트 오류, 크로스톐크 등으로 인한 노이즈 문제를 해결함으로써 계산 정밀도를 향상시키기 위해.
• 기존 이론적 가정을 초월해 복잡한 장치 특화 오차 역학을 포괄하는 기계학습 기반 노이즈 모델을 개발하기 위해.
• 학습된 노이즈 모델을 활용해 출력 노이즈를 최소화하는 데 초점을 맞춘 컴파일러를 설계함으로써 게이트 수와 같은 간접 지표에 의존하지 않기 위해.
• 딥러닝을 통해 훈련된 장치 특화 노이즈 모델이 일반적 또는 히وري스틱 컴파일 전략보다 우월한 성능을 보일 수 있는지 평가하기 위해.
• 딥러닝을 활용해 게이트 품질이나 코herence 시간 등의 하드웨어 파rameter에 대한 사전 지식 없이도 효과적인 노이즈 완화 전략(예: 다이내믹 디커플링 시퀀스)을 발견할 수 있는지 탐색하기 위해.

제안 방법

• 특정 IBM 5-qubit 장치에서의 실험적 양자 회로 데이터를 기반으로 컨볼루션 신경망(CNN)을 훈련하여, 회로 구조에 기반해 출력 노이즈를 예측한다.
• 각 게이트 유형을 채널로 매핑하여 다중 채널 이미지로 회로를 인코딩함으로써 큐비트 및 게이트 시퀀스에 걸쳐 공간 필터링을 가능하게 한다.
• 동일한 회로 간의 노이즈 차이를 예측함으로써 상관관계가 있고 마르코프가 아닌 오차를 효과적으로 모델링한다.
• 훈련된 CNN을 노이즈 예측기로 사용하여, 정규화된 게이트 시퀀스(항등원과 동치)를 공백이 있는 큐비트 영역에 삽입함으로써 일관된 노이즈를 억제하는 컴파일러를 설계한다.
• 동적 디커플링 및 랜덤라이즈드 컴파일링 원리를 활용하지만, 분석적 설계 대신 학습된 패tern을 사용한다.
• 다양한 IBM 장치에서 컴파일된 회로의 출력 노이즈를 비교함으로써 평가하며, 이상적 출력 분포와의 일치도를 통해 노이즈를 측정한다.

실험 결과

연구 질문

• RQ1 실험 데이터를 기반으로 훈련된 딥러닝 모델이 특정 양자 장치에서의 양자 회로 출력 노이즈를 정확하게 예측할 수 있는가?
• RQ2 딥러닝을 통해 학습된 장치 특화 노이즈 모델이 기존 컴파일러 대비 회로 정밀도 향상에 기여하는가?
• RQ3 학습된 노이즈 모델이 다른 양자 장치 간에 얼마나 이식 가능하며, 이로 인해 성능에 어떤 영향을 미치는가?
• RQ4 게이트 품질이나 코herence 시간 등의 사전 지식 없이도 CNN이 공백 영역에서 효과적인 노이즈 억제 게이트 시퀀스를 식별할 수 있는가?
• RQ5 다양한 장치에서 Qiskit 컴파일러 대비 딥러닝 기반 컴파일러의 노이즈 감소 성능은 어떻게 비교되는가?

주요 결과

• 딥러닝 기반 컴파일러는 Qiskit 컴파일러 대비 평균 12.3%의 출력 노이즈 감소를 달성했으며, 95% 신뢰구간은 [11.5%, 13.0%]였다.
• 노이즈 모델은 매우 장치 특화되어 있다: 한 장치에서 훈련하고 다른 장치에 적용할 경우 노이즈 감소율은 뿐만 아니라 5.2%로 감소했으며, 95% 신뢰구간은 [4.9%, 5.6%]였다.
• 런던 장치에서는 출력 노이즈 예측에서 R²가 0.86을 기록했고 버펄로 장치에서는 0.66를 기록하여, 하드웨어 파rameter에 대한 접근 없이도 강력한 예측 성능을 보였다.
• 모델은 공백이 있는 회로 간격에서 노이즈 최소화 게이트 시퀀스를 성공적으로 식별하여, 일관되고 마르코프가 아닌 노이즈 효과 억제의 효과성을 입증했다.
• 랜덤하게 게이트를 삽입한 전략은 평균 4.5%의 노이즈 감소에 그쳤으며, 이는 학습된 최적화의 가치를 확인시켰다.
• 결과는 하드웨어 특화로 학습된 노이즈 모델이 회로 정밀도를 크게 향상시킬 수 있으며, 양자 오차 보정의 새로운 길을 열 수 있음을 시사한다.