[논문 리뷰] Quantum reservoir computing with repeated measurements on superconducting devices

Toshiki Yasuda, Yudai Suzuki외 7명|arXiv (Cornell University)|2023. 10. 10.

Neural Networks and Reservoir Computing인용 수 7

한 줄 요약

이 논문은 초전도 큐비트에서 반복 측정을 이용해 시간 시리즈 데이터를 생성하는 양자 리저보아르 컴퓨팅(QRC) 프레임워크를 제안하며, 실행 시간을 크게 단축하면서 예측 정확도를 향상시킨다. IBM의 양자 하드웨어에서의 실험 결과는 전통적인 QRC보다 뛰어난 성능을 보이며, 정보 가용성과 소산 사이를 균형 잡는 최적의 측정 강도가 계산 능력을 향상시킨다.

ABSTRACT

Reservoir computing is a machine learning framework that uses artificial or physical dissipative dynamics to predict time-series data using nonlinearity and memory properties of dynamical systems. Quantum systems are considered as promising reservoirs, but the conventional quantum reservoir computing (QRC) models have problems in the execution time. In this paper, we develop a quantum reservoir (QR) system that exploits repeated measurement to generate a time-series, which can effectively reduce the execution time. We experimentally implement the proposed QRC on the IBM's quantum superconducting device and show that it achieves higher accuracy as well as shorter execution time than the conventional QRC method. Furthermore, we study the temporal information processing capacity to quantify the computational capability of the proposed QRC; in particular, we use this quantity to identify the measurement strength that best tradeoffs the amount of available information and the strength of dissipation. An experimental demonstration with soft robot is also provided, where the repeated measurement over 1000 timesteps was effectively applied. Finally, a preliminary result with 120 qubits device is discussed.

연구 동기 및 목표

• 기존의 양자 리저보아르 컴퓨팅(QRC) 방법의 긴 실행 시간 문제를 해결하기 위해.
• 초전도 하드웨어에서 반복 측정을 활용해 효과적인 시간 시리즈 데이터를 생성하는 QRC 시스템을 개발하기 위해.
• 특히 IBM의 초전도 플랫폼을 활용해 실제 양자 장치에서 제안된 QRC 프레임워크를 실험적으로 검증하기 위해.
• 측정 강도를 조절하여 시스템의 시간 정보 처리 능력을 정량화하고 최적화하기 위해.
• 반복 측정을 1000개 타임스텝에 걸쳐 사용하는 소프트 로봇 제어 작업을 통해 실용적 적용 가능성을 입증하기 위해.

제안 방법

• 제안된 QRC 시스템은 초전도 큐비트 어레이에 반복적인 사영 측정을 적용하여 측정 결과의 시간 시리즈를 생성한다.
• 측정 과정는 비가역적 동역학을 유도하며, 이는 리저보아르의 비선형성과 기억력이 풍부한 상태 진화로 기능한다.
• 측정 강도는 정보 추출과 시스템 소산 사이의 균형을 맞추어 계산 능력을 최적화한다.
• 리저보아르 상태는 중첩 상태로 초기화되며, 반복 측정은 상태를 붕괴시키고 재초기화함으로써 효과적인 리저보아르 상태의 시퀀스를 생성한다.
• 다양한 측정 강도에서의 계산 능력을 평가하기 위해 표준 지표를 사용해 시스템의 시간 정보 처리 능력을 정량화한다.
• 프레임워크는 IBM의 초전도 양자 하드웨어에 구현되었으며, 시간 시리즈 예측과 소프트 로봇 제어 작업에서 실험적으로 검증되었다.

실험 결과

연구 질문

• RQ1 초전도 큐비트에서 반복 측정이 양자 리저보아르 컴퓨팅의 실행 속도와 정확도에 어떻게 기여하는가?
• RQ2 리저보아르 시스템에서 정보 가용성과 소산을 균형 잡는 데 최적의 측정 강도는 무엇인가?
• RQ3 제안된 QRC 프레임워크는 기존 QRC 방법보다 더 높은 시간 정보 처리 능력을 달성할 수 있는가?
• RQ4 1000개 타임스텝에 걸쳐 반복 측정을 사용하는 실세계 과제인 소프트 로봇 제어에서 시스템은 얼마나 잘 성능을 내는가?
• RQ5 더 큰 초전도 장치에서 반복 측정 기반 QRC 접근 방식의 확장 가능성은 어떠한가?

주요 결과

• 제안된 QRC 프레임워크는 IBM의 양자 하드웨어에서 기존 QRC 방법보다 더 높은 예측 정확도와 극적으로 단축된 실행 시간을 달성했다.
• 정보 추출과 시스템 소산 사이의 균형을 맞추어 시간 정보 처리 능력을 최대화하는 최적의 측정 강도가 확인되었다.
• 소프트 로봇 제어 과제에 대한 실험적 구현은 1000개 타임스텝에 걸친 반복 측정을 성공적으로 활용하여 시스템의 실용적 타당성을 확인했다.
• 120 큐비트 초전도 장치에서의 검증을 통해 향후 더 큰 양자 시스템에의 응용 가능성이 확인되었으며, 확장 가능성 잠재력이 있음을 시사했다.
• 시간 정보 처리 능력 지표는 측정 강도를 조절함으로써 시스템의 계산 능력이 조절 가능하며, 중간 값에서 명확한 최적 성능 피크가 있음을 확인했다.