[논문 리뷰] Demonstration of Envariance and Parity Learning on the IBM 16 Qubit Processor

Davide Ferrari, Michele Amoretti|arXiv (Cornell University)|2018. 01. 08.

Quantum Computing Algorithms and Architecture인용 수 10

한 줄 요약

이 논문은 n-qubit 회로를 위한 토폴로지 인식 컴파일 전략을 개발하여 IBM의 16 큐비트 양자 프로세서에서 엔바리언스와 페어리티 학습을 구현한다. 이 접근법은 하드웨어 제약에도 불구하고 얽힘을 활용한 불변성 및 페어리티 학습 프로토콜을 효율적으로 실행할 수 있게 하여 IBM Q16 장치에서 신뢰할 수 있는 결과를 도출한다.

ABSTRACT

Recently, IBM has made available a quantum computer provided with 16 qubits, denoted as IBM Q16. Previously, only a 5 qubit device, denoted as Q5, was available. Both IBM devices can be used to run quantum programs, by means of a cloud-based platform. In this paper, we illustrate our experience with IBM Q16 in demonstrating entanglement assisted invariance, also known as envariance, and parity learning by querying a uniform quantum example oracle. In particular, we illustrate the non-trivial strategy we have designed for compiling $n$-qubit quantum circuits ($n$ being an input parameter) to IBM devices, taking into account their topological constraints.

연구 동기 및 목표

• 최근 공개된 IBM Q16 16큐비트 양자 프로세서에서 엔바리언스와 페어리티 학습 프로토콜을 구현할 수 있는지 탐색하는 것.
• Q16 장치의 제한된 큐비트 연결성에 비추어 임의의 n-큐비트 양자 회로를 매핑하는 데 도전하는 것.
• 장치의 물리적 토폴로지를 존중하면서도 양자 회로의 기능을 유지하는 비트리플 컴파일 전략을 개발하고 검증하는 것.

제안 방법

• n-큐비트 회로를 Q16 장치의 16큐비트 격자에 원래 게이트 제약 조건을 고려하여 매핑하는 컴파일 프레임워크 설계.
• 국소 연산 하에서 양자 정보 불변성을 위한 기초 메커니즘으로 엽힘을 활용한 불변성(엔바리언스) 사용.
• 제어된 양자 상태 준비 및 측정을 통해 페어리티 학습을 가능하게 하는 균일한 양자 예제 오라클 구현.
• 노이지 중간 규모 양자(NISQ) 하드웨어에서 디코herence 영향을 줄이기 위해 게이트 수와 깊이를 최소화하기 위한 회로 최적화 기법 적용.
• 실시간 양자 회로 실행 및 측정을 통해 IBM 클라우드 플랫폼에서 컴파일된 회로 검증.

실험 결과

연구 질문

• RQ1 실용적인 컴파일 전략을 사용하여 IBM Q16 16큐비트 프로세서에서 엔바리언스를 실험적으로 입증할 수 있는가?
• RQ2 제한된 연결성을 가진 실제 NISQ 장치에서 페어리티 학습은 얼마나 효과적으로 구현될 수 있는가?
• RQ3 Q16 장치의 큐비트 토폴로지를 존중하면서도 회로 깊이와 게이트 수를 최소화하는 컴파일 전략은 무엇인가?
• RQ4 어느 정도까지 토폴로지 인식 컴파일 전략은 n-큐비트 회로의 의도된 양자 행동을 유지하는가?
• RQ5 실제 장치 노이즈와 디코herence 하에서 엔바리언스 및 페어리티 학습의 실험 결과는 얼마나 신뢰할 수 있는가?

주요 결과

• 제안된 컴파일 전략은 장치의 물리적 큐비트 연결성 제약 조건을 고려하면서도 n-큐비트 회로를 성공적으로 Q16 장치에 매핑하였다.
• 엔바리언스는 16큐비트 프로세서에서 실험적으로 입증되었으며, 실제 양자 하드웨어 환경에서 엽힘을 활용한 불변성이 가능하다는 것을 확인하였다.
• 균일한 양자 예제 오라클을 사용하여 페어리티 학습이 성공적으로 구현되었으며, 장치가 양자 상태 준비를 통해 고전적 페어리티 함수를 학습할 수 있음을 보여주었다.
• 컴파일된 회로는 다수의 실행 런에서 안정적인 행동을 보였으며, 이는 제안된 컴파일 전략 하에서 노이즈 및 디코herence 영향에 대한 강건성을 시사한다.
• 토폴로지 인식 컴파일 전략은 회로 깊이와 게이트 수를 감소시켜 NISQ 장치에서 신뢰성 있는 실행과 고해상도를 향상시켰다.