[논문 리뷰] QuEst: Graph Transformer for Quantum Circuit Reliability Estimation

Hanrui Wang, Pengyu Liu외 11명|arXiv (Cornell University)|2022. 10. 30.

Quantum Computing Algorithms and Architecture참고 문헌 52인용 수 12

한 줄 요약

이 논문은 노이즈 하에서 양자 회로의 신뢰도를 다항식 복잡도로 추정하는 그래프 트랜스포머 모델 QuEst를 제안한다. 이는 비용이 많이 드는 지수적 시뮬레이션을 피한다. 게이트와 노이즈 특징을 갖춘 그래프로 회로를 표현함으로써 QuEst는 시뮬레이터 대비 0.04 RMSE와 200배 이상의 속도 향상을 달성하였으며, 무작위 회로와 알고리즘 회로에 대해 각각 R² 점수 0.99와 0.95를 기록한다.

ABSTRACT

Among different quantum algorithms, PQC for QML show promises on near-term devices. To facilitate the QML and PQC research, a recent python library called TorchQuantum has been released. It can construct, simulate, and train PQC for machine learning tasks with high speed and convenient debugging supports. Besides quantum for ML, we want to raise the community's attention on the reversed direction: ML for quantum. Specifically, the TorchQuantum library also supports using data-driven ML models to solve problems in quantum system research, such as predicting the impact of quantum noise on circuit fidelity and improving the quantum circuit compilation efficiency. This paper presents a case study of the ML for quantum part. Since estimating the noise impact on circuit reliability is an essential step toward understanding and mitigating noise, we propose to leverage classical ML to predict noise impact on circuit fidelity. Inspired by the natural graph representation of quantum circuits, we propose to leverage a graph transformer model to predict the noisy circuit fidelity. We firstly collect a large dataset with a variety of quantum circuits and obtain their fidelity on noisy simulators and real machines. Then we embed each circuit into a graph with gate and noise properties as node features, and adopt a graph transformer to predict the fidelity. Evaluated on 5 thousand random and algorithm circuits, the graph transformer predictor can provide accurate fidelity estimation with RMSE error 0.04 and outperform a simple neural network-based model by 0.02 on average. It can achieve 0.99 and 0.95 R$^2$ scores for random and algorithm circuits, respectively. Compared with circuit simulators, the predictor has over 200X speedup for estimating the fidelity.

연구 동기 및 목표

• 노이즈가 있는 Noisy Intermediate-Scale Quantum (NISQ) 장치에서 양자 회로의 신뢰도를 효율적으로 추정하는 문제를 해결한다.
• 큰 회로에 대해 실용적인 신뢰도 평가를 제한하는 지수적 고전적 시뮬레이션 비용을 극복한다.
• 데이터 기반으로 빠르고 정확한 신뢰도 추정을 가능하게 하여 강건한 양자 회로 설계 및 최적화를 지원한다.
• 그래프 신경망이 양자 회로 구조와 노이즈 전파를 모델링하는 데 효과적임을 입증한다.
• 더 넓은 연구 및 응용을 위해 제안된 방법을 TorchQuantum 라이브러리에 통합한다.

제안 방법

• 게이트를 노드로, 실행 순서가 간선을 형성하는 방식으로 양자 회로를 그래프로 표현한다.
• 노드마다 게이트 유형, 큐비트 인덱스, 장치 고유의 노이즈 파rameter(예: T1, T2, 게이트 오류) 등의 특징을 인코딩한다.
• 그래프 구조에 기반해 회로 신뢰도를 예측하기 위해 노드 표현을 집계하는 그래프 트랜스포머 모델을 사용한다.
• 노이즈 시뮬레이터와 실제 양자 하드웨어에서 평가된 무작위 및 알고리즘 회로의 대규모 데이터셋으로 모델을 훈련시킨다.
• 과정 토모그래피 신뢰도(PST)를 기준 레이블로 사용하며, 이는 신뢰도와 강한 상관관계(Spearman = 0.993)를 보인다.
• 특징 중요도 및 하이퍼파ram터 튜닝(예: 레이어 수, 측정 샷 수)을 통한 아블레이션 연구로 모델 성능을 최적화한다.

실험 결과

연구 질문

• RQ1 그래프 신경망은 양자 회로 구조와 노이즈 전파를 효과적으로 모델링하여 신뢰도를 예측할 수 있는가?
• RQ2 특정 노드 특징(예: 큐비트 인덱스, 게이트 유형, T1/T2)의 포함 여부가 예측 정확도에 어떤 영향을 미치는가?
• RQ3 모델의 깊이(트랜스포머 레이어 수)와 측정 샷 수가 예측 성능에 어떤 영향을 미치는가?
• RQ4 고전적 회로 시뮬레이션 대비 제안된 방법의 정확도와 속도는 어떻게 비교되는가?
• RQ5 다양한 노이즈 프로파일을 가진 시뮬레이터 및 실제 장치 백엔드 간에 모델의 일반화 능력은 어떠한가?

주요 결과

• 테스트 세트에서 그래프 트랜스포머 모델은 평균 RMSE 0.04를 기록하였으며, 노이즈 시뮬레이터에선 0.0236 RMSE, IBM Geneva에선 0.0720 RMSE를 기록하였다.
• 단순 피드포워드 신경망보다 평균 RMSE에서 0.02만큼 우수하여 그래프 기반 모델링의 우수성을 입증하였다.
• 무작위 회로에선 R² 점수가 0.99에 도달하고, 알고리즘 회로에선 0.95를 기록하여 강력한 예측 성능을 보였다.
• 고전적 시뮬레이터 대비 200배 이상의 속도 향상을 기록하였으며, NVIDIA A100 GPU에서 배치 크기 10일 경우 1.7K배의 속도 향상을 기록하였다.
• 아블레이션 연구 결과, '큐비트 인덱스' 또는 '게이트 유형' 특징을 제거할 경우 성능이 크게 악화되어 이들의 중요성을 입증하였다.
• 훈련 데이터의 측정 샷 수를 늘릴수록 모델 정확도가 일관되게 향상되지 않아, 노이즈 변동성이 샷 수의 이점을 제한함을 시사하였다.