[논문 리뷰] Quantum neural computation of entanglement is robust to noise and decoherence

E. C. Behrman, N. H. Nguyen외 2명|arXiv (Cornell University)|2015. 10. 30.

Quantum Information and Cryptography인용 수 6

한 줄 요약

이 논문은 다중 큐비트 시스템에서의 얽힘을 계산하는 데 동적 학습을 사용하는 양자 신경망(QNN)을 제안한다. 초기 상태의 최소 집합으로 훈련하여 얽힘의 형성도를 추정한다. QNN는 노이즈와 디코herence에 대해 뛰어난 내성성을 보이며, 높은 노이즈 수준에서도 정확도를 유지한다. 이는 소수의 큐비트 수에도 불구하고 양자 중첩이 고장 내성성을 가능하게 한다는 것을 시사한다.

ABSTRACT

In previous work, we have proposed an entanglement indicator for a general multiqubit state, which can be "learned" by a quantum system, acting as a neural network. The indicator can be used for a pure or a mixed state, and it need not be "close" to any particular state; moreover, as the size of the system grows, the amount of additional training necessary diminishes. Here, we show that the indicator is stable to noise and decoherence.

연구 동기 및 목표

• 완전한 상태 단층 촬영 없이도 다중 큐비트 양자 시스템에서의 얽힘을 추정하는 확장 가능하고 노이즈에 강건한 방법을 개발하기 위해.
• 실제 노이즈와 디코herence 조건 하에서 양자 신경망이 안정적인 얽힘 지표로 기능할 수 있는지 조사하기 위해.
• 소수의 순수 상태로 훈련된 QNN가 혼합 상태와 노이즈 환경으로 일반화할 수 있는지 보여주기 위해.
• QNN의 내성성의 근본 원인을 탐색하며, 특히 소수의 물리적 큐비트로도 고장 내성성을 가능하게 하는 양자 중첩의 역할을 분석하기 위해.

제안 방법

• QNN는 시간에 따라 변하는 해밀토니안 매개변수(K, ε, ζ)를 학습 가능한 가중치로 사용하며, 슈뢰딩거 방정식을 통해 초기 밀도 행렬을 진화시켜 얽힘을 측정 가능한 출력으로 매핑한다.
• 출력은 최종 시간의 상관 함수 ⟨σzA(tf)σzB(tf)⟩²이며, 이는 초기 상태의 얽힘 지표로 기능한다.
• 훈련은 감독 학습 프로토콜을 사용하며, 벤치마크 상태 네 가지(벨, 플랫, 프로덕트 C, 부분적으로 얽힌 상태)를 사용하고, 시간에 따른 양자 역전파를 적용한다.
• 매개변수 함수는 푸리에 곡선 피팅을 통해 최적화되며, 이로 인해 단일 또는 이중 주파수 함수로 단순화되어 시스템 크기와 관계없이 일반화된다.
• 노이즈와 디코herence는 복소 진폭 노이즈와 디코herence(γ)로 모델링되며, 다양한 노이즈 수준에서 성능을 테스트한다.
• 파인만 경로 적분 공식을 사용하여 시스템을 시간 경로의 중첩으로 해석하며, 이는 가상의 양자 상태가 부가적인 중복성을 제공함을 시사한다.

실험 결과

연구 질문

• RQ1 소수의 상태로 훈련된 QNN가 알려지지 않은 순수 상태와 혼합 상태에서 얽힘을 정확히 추정할 수 있는가?
• RQ2 실제 노이즈와 디코herence 하에서 QNN의 성능은 어떠한가? 특히, 노이즈가 없는 조건에서 훈련하고 노이즈 하에서 테스트할 경우 어떻게 되는가?
• RQ3 디코herence는 크기만 있는 노이즈보다 얽힘 지표의 내성성을 향상시키는가, 아니면 떨어뜨리는가?
• RQ4 QNN의 노이즈에 대한 내성성의 근본 원인은 무엇이며, 소수의 물리적 큐비트로도 양자 중첩이 고장 내성성을 가능하게 하는가?

주요 결과

• QNN는 복소 진폭 노이즈 0.013 수준에서도 순수 상태와 혼합 상태 모두에서 얽힘의 형성도를 높은 정확도로 추정한다.
• 디코herence(γ) 하에서의 성능은 크기만 있는 노이즈 하에서의 성능보다 뛰어나며, 이는 이 프레임워크에서 디코herence가 내성성을 향상시킬 수 있음을 시사한다.
• 훈련된 QNN는 알려지지 않은 상태, 특히 혼합 상태 M으로도 잘 일반화되었으며, 0.0069 노이즈 수준에서 진짜 얽힘의 형성도와 매우 유사한 결과를 도출했다.
• 더 높은 노이즈 수준(0.0089 및 0.013)에서 훈련함으로써 일반화 성능이 향상되었으며, 이는 노이즈를 고려한 훈련이 내성성을 향상시킨다는 것을 시사한다.
• QNN의 내성성은 소수의 물리적 큐비트로도 많은 시간 경로 기여로 인한 효과적인 중복성을 가능하게 하는 양자 중첩 덕분이며, 이는 내성성의 근본 원인이다.
• 이 방법은 시스템 크기에 따라 효율적으로 스케일업되며, N이 증가함에 따라 추가 훈련이 더 적게 필요하다. 이는 전통적 방법이 밀도 행렬을 완전히 재구성해야 하는 것과는 대조적이다.