[논문 리뷰] Precise Image Generation on Current Noisy Quantum Computing Devices

Florian Rehm, S. Vallecorsa외 4명|arXiv (Cornell University)|2023. 01. 01.

Quantum Computing Algorithms and Architecture참고 문헌 33인용 수 1

한 줄 요약

이 논문은 변량 양자 회로와 각도 인코딩을 사용하여 현재의 노이지 NISQ 양자 장치에서 상태 기반의 이미지 생성 정확도를 달성하는 완전한 양자 생성 모델인 양자 각도 생성기(QAG)를 소개한다. 고에너지 물리학 캘로리미터 샤워 이미지를 시뮬레이션하는 데 뛰어난 정밀도를 보이며, 평균 제곱 오차(MSE)가 최소 0.00038에 이르며, 하드웨어 노이즈와 캘리브레이션 드리프트에 대해 최대 8%까지 강인함을 입증한다.

ABSTRACT

The Quantum Angle Generator (QAG) is a new full Quantum Machine Learning model designed to generate accurate images on current Noise Intermediate Scale (NISQ) Quantum devices. Variational quantum circuits form the core of the QAG model, and various circuit architectures are evaluated. In combination with the so-called MERA-upsampling architecture, the QAG model achieves excellent results, which are analyzed and evaluated in detail. To our knowledge, this is the first time that a quantum model has achieved such accurate results. To explore the robustness of the model to noise, an extensive quantum noise study is performed. In this paper, it is demonstrated that the model trained on a physical quantum device learns the noise characteristics of the hardware and generates outstanding results. It is verified that even a quantum hardware machine calibration change during training of up to 8% can be well tolerated. For demonstration, the model is employed in indispensable simulations in high energy physics required to measure particle energies and, ultimately, to discover unknown particles at the Large Hadron Collider at CERN.

연구 동기 및 목표

• 현재의 노이지 NISQ 양자 장치에서 고정밀도 이미지 생성이 가능한 완전한 양자 생성 모델을 개발하는 것.
• 기존의 양자 생성 모델이 정밀도, 확장성, 하드웨어 호환성 측면에서 가지는 한계를 해결하는 것.
• 실제 고에너지 물리학 시뮬레이션에서 하드웨어 노이즈와 캘리브레이션 변화에 대한 양자 머신 러닝 모델의 강인성을 평가하는 것.
• 양자 모델이 대형 하드론 충돌기(CERN의 LHC)에서 복잡한 시뮬레이션을 가속화하는 데 실용적으로 적용 가능한지를 보여주는 것.

제안 방법

• QAG 모델은 고전적 이미지 데이터(예: 캘로리미터 샤워 에너지)를 큐비트 상태에 선형 스케일링 각도 인코딩으로 매핑하기 위해 변량 양자 회로를 사용한다.
• 성능과 파rameter 효율성 측면에서 MERA, TTN, MERA-up 변형 등 다양한 회로 아키텍처가 평가된다.
• MERA-upsampling 아키텍처가 최적의 성능을 보이며, 높은 정밀도와 중간 수준의 파rameter 수를 동시에 확보한다.
• 양자 추론은 실제 IBM 양자 장치(iboq Montreal 및 IBM Cairo)에서 수행되며, 훈련과 평가가 물리적 하드웨어에서 이루어진다.
• 정확도는 평균 샤워 형태의 MSE, 에너지 합 히스토그램 일치도(평균과 표준편차), 상관계수 플롯을 사용해 측정된다.
• 하드웨어 노이즈와 캘리브레이션 변화까지 8%까지 포함된 포괄적인 양자 노이즈 연구를 통해 모델의 강인성을 평가한다.

실험 결과

연구 질문

• RQ1 완전한 양자 생성 모델이 현재의 노이지 NISQ 장치에서 고정밀도 이미지 생성을 달성할 수 있는가?
• RQ2 MERA, TTN, 또는 MERA-up 중 어떤 양자 회로 아키텍처가 정밀도와 파rameter 효율성 사이의 최적의 트레이드오프를 제공하는가?
• RQ3 실제 양자 장치에서 QAG 모델은 하드웨어 노이즈와 캘리브레이션 드리프트에 얼마나 강인한가?
• RQ4 QAG 모델은 충분한 정확도로 고에너지 물리학 검출기 반응을 효과적으로 시뮬레이션하여 기존 몬테카를로 시뮬레이션을 대체하거나 가속화할 수 있는가?

주요 결과

• MERA-up d2 Rz 아키텍처는 최저 MSE 0.00094 ± 0.0008을 기록하며, 상관계수 X는 0.9999, 에너지 정밀도 E는 0.954를 달성한다.
• MERA-up Rz 아키텍처는 단지 46개의 파라미터로도 높은 정확도(X = 0.9961, E = 0.926, MSE = 0.00047)를 확보하여 NISQ 장치에 실용적인 선택이 된다.
• 물리적 하드웨어에서 훈련된 모델은 평균 샤워 이미지와 상관계수 패턴을 정확히 재현하여 노이즈 특성을 효과적으로 학습했다는 것을 확인한다.
• 모델은 훈련 중 하드웨어 캘리브레이션 변화가 최대 8%까지 발생하더라도 성능 저하 없이 견디며 강력한 강인성을 입증한다.
• 단지 23개의 파라미터만을 사용하는 MERA-up 아키텍처는 높은 성능(MSE = 0.00059, X = 0.9377, E = 0.894)을 유지하여 고전적 하드웨어에서 효율적인 훈련이 가능하다.
• QAG 모델은 NISQ 장치에서 양자 이미지 생성 분야에서 최고 수준의 성능을 달성하며, 실제 고에너지 물리학 시뮬레이션에 있어 정밀도와 실용성 측면에서 기존 모델을 초월한다.