[논문 리뷰] Machine learning approach for quantum non-Markovian noise classification.

Stefano Martina, Stefano Gherardini외 1명|arXiv (Cornell University)|2021. 01. 08.

Quantum Computing Algorithms and Architecture참고 문헌 69인용 수 11

한 줄 요약

이 논문은 지원 벡터 기반 기계 학습 프레임워크를 제안하며, 지원 벡터 기반 기계 학습, 다층 퍼셉트론, 순환 신경망을 사용하여 확률적 양자 역학에서의 양자 비마르코프 노이즈를 분류한다. 단일 양자 워크 실현에서 생성된 합성 데이터로 훈련함으로써, 모델들은 이산 시간에 위치/에너지 확률 측정값만을 사용하여 노이즈 유형을 분류한다—이로써 양자 얽힘 측정값이나 제어 펄스의 필요성을 제거한다. 이는 노이즈가 있는 중규모 양자 장치에 직접 적용 가능하게 한다.

ABSTRACT

In this paper, machine learning and artificial neural network models are proposed for quantum noise classification in stochastic quantum dynamics. For this purpose, we train and then validate support vector machine, multi-layer perceptron and recurrent neural network, models with different complexity and accuracy, to solve supervised binary classification problems. By exploiting the quantum random walk formalism, we demonstrate the high efficacy of such tools in classifying noisy quantum dynamics using data sets collected in a single realisation of the quantum system evolution. In addition, we also show that for a successful classification one just needs to measure, in a sequence of discrete time instants, the probabilities that the analysed quantum system is in one of the allowed positions or energy configurations, without any external driving. Thus, neither measurements of quantum coherences nor sequences of control pulses are required. Since in principle the training of the machine learning models can be performed a-priori on synthetic data, our approach is expected to find direct application in a vast number of experimental schemes and also for the noise benchmarking of the already available noisy intermediate-scale quantum devices.

연구 동기 및 목표

• 개방 양자 시스템에서의 양자 비마르코프 노이즈를 분류하기 위한 기계 학습 기반 접근법을 개발하는 것.
• 양자 얽힘 측정값이나 제어 펄스 적용을 피하여 실험 복잡성을 줄이는 것.
• 단일 시스템 진화에서의 시간에 따른 확률 데이터만을 사용하여 노이즈 분류를 가능하게 하는 것.
• 합성 데이터에 대한 사전 훈련을 통해 노이즈 벤치마킹을 노이즈가 있는 중규모 양자(NISQ) 장치에서 지원하는 것.
• 표준 신경망을 사용하여 최소한의 실험적 부담으로 양자 노이즈 분류가 가능한지를 보여주는 것.

제안 방법

• 본 연구는 지원 벡터 기반 기계 학습, 다층 퍼셉트론, 순환 신경망을 사용한 3개의 기계 학습 모델을 활용한 지도 기반 이진 분류를 수행한다.
• 모델들은 다양한 노이즈 조건 하에서 양자 랜덤 워크 형식으로부터 생성된 합성 데이터셋으로 훈련된다.
• 입력 데이터는 이산 시간 단위에서 특정 위치 또는 에너지 구성에 양자 시스템이 머무를 시간에 따른 확률 시계열로 구성된다.
• 이 방법은 외부 자극이나 양자 얽힘 측정을 요구하지 않으며, 오직 집합 데이터에 의존한다.
• 분류 정확도 및 일반화 성능 평가를 위해 검증 데이터에 대해 검증을 수행한다.
• 사전 훈련을 합성 데이터 기반으로 수행함으로써 실험 환경에서 실시간 적용이 가능하다.

실험 결과

연구 질문

• RQ1 시간에 따른 확률 데이터만을 사용하여 기계 학습 모델이 양자 시스템에서 비마르코프 노이즈를 정확하게 분류할 수 있는가?
• RQ2 양자 얽힘 측정값이나 제어 펄스 적용 없이도 신뢰할 수 있는 노이즈 분류가 가능한가?
• RQ3 다양한 신경망 아키텍처는 양자 역학에서 마르코프 노이즈와 비마르코프 노이즈를 구분하는 데 얼마나 효과적인가?
• RQ4 합성 데이터에 대한 사전 훈련이 실제 실험 상황에서 정확한 분류를 가능하게 하는가?
• RQ5 효과적인 노이즈 분류를 위해 필요한 최소한의 실험 측정값은 무엇인가?

주요 결과

• 제안된 기계 학습 모델들은 단일 양자 시스템 진화에서의 시간에 따른 확률 데이터만을 사용하여 높은 분류 정확도를 달성한다.
• 지원 벡터 기반 기계 학습, 다층 퍼셉트론, 순환 신경망은 모두 마르코프 노이즈와 비마르코프 노이즈 영역를 효과적으로 구분하는 데 뛰어난 성능을 보였다.
• 이 방법은 양자 얽힘 측정값이나 외부 제어 펄스의 필요 없이도 노이즈를 성공적으로 분류한다.
• 이 방법은 단일 시스템 진화에서 수집된 데이터에 기반하므로 강건하고 확장 가능하다.
• 최소한의 실험적으로 접근 가능한 데이터에 의존하므로 기존의 노이즈가 있는 중규모 양자 장치에서의 노이즈 벤치마킹에 직접 적용 가능하다.
• 합성 데이터에 대한 사전 훈련을 통해 실험적 캘리브레이션을 광범위하게 요구하지 않아도 실제 양자 시스템에 도입이 가능하다.