[논문 리뷰] RoQNN: Noise-Aware Training for Robust Quantum Neural Networks.

Hanrui Wang, Jiaqi Gu외 5명|arXiv (Cornell University)|2021. 10. 21.

Quantum Computing Algorithms and Architecture참고 문헌 59인용 수 6

한 줄 요약

RoQNN는 노이즈가 있는 근접한 양자 하드웨어에서 양자 신경망(QNNs)의 강건성을 향상시키기 위한 노이즈 인식 학습 프레임워크이다. 이는 측정 후 정규화, 실제 하드웨어 노이즈 모델 기반의 학습 중 노이즈 주입, 측정 후 양자화를 통해 노이즈 영향을 완화하며, 실제 양자 장치에서 최대 43%의 정확도 향상과 2클래스 MNIST 분류 과제에서 94% 이상의 정확도를 달성한다.

ABSTRACT

Quantum Neural Network (QNN) is a promising application towards quantum advantage on near-term quantum hardware. However, due to the large quantum noises (errors), the performance of QNN models has a severe degradation on real quantum devices. For example, the accuracy gap between noise-free simulation and noisy results on IBMQ-Yorktown for MNIST-4 classification is over 60%. Existing noise mitigation methods are general ones without leveraging unique characteristics of QNN and are only applicable to inference; on the other hand, existing QNN work does not consider noise effect. To this end, we present RoQNN, a QNN-specific framework to perform noise-aware optimizations in both training and inference stages to improve robustness. We analytically deduct and experimentally observe that the effect of quantum noise to QNN measurement outcome is a linear map from noise-free outcome with a scaling and a shift factor. Motivated by that, we propose post-measurement normalization to mitigate the feature distribution differences between noise-free and noisy scenarios. Furthermore, to improve the robustness against noise, we propose noise injection to the training process by inserting quantum error gates to QNN according to realistic noise models of quantum hardware. Finally, post-measurement quantization is introduced to quantize the measurement outcomes to discrete values, achieving the denoising effect. Extensive experiments on 8 classification tasks using 6 quantum devices demonstrate that RoQNN improves accuracy by up to 43%, and achieves over 94% 2-class, 80% 4-class, and 34% 10-class MNIST classification accuracy measured on real quantum computers. We also open-source our PyTorch library for construction and noise-aware training of QNN at this https URL .

연구 동기 및 목표

• 노이즈가 있는 근접한 양자 하드웨어에서 QNN의 심각한 성능 저하 문제를 해결하기 위해.
• 추론 단계에서만 적용 가능한 일반적인 노이즈 완화 방법의 한계를 극복하고, QNN 고유의 특성을 활용하지 못하는 문제를 해결하기 위해.
• 학습 단계에서 QNN의 노이즈에 대한 강건성을 사전에 향상시키는 프레임워크를 개발하기 위해.
• 표준 벤치마크 과제에서 노이즈 없는 시뮬레이션과 실제 장치 결과 간의 정확도 격차를 해소하기 위해.

제안 방법

• 양자 노이즈가 노이즈 없는 QNN 측정 결과에 선형 변환(스케일링 및 이동)을 유도한다는 것을 분석적으로 유도하고 실험적으로 검증한다.
• 스케일링 및 이동 요소를 보정하여 노이즈 없는 경우와 노이즈가 있는 경우의 특성 분포를 일치시키기 위해 측정 후 정규화를 적용한다.
• 하드웨어 특화 노이즈 모델 기반으로 실제 양자 오류 게이트를 QNN 학습 과정에 주입하여 실제 노이즈를 시뮬레이션하고 적응한다.
• 측정 결과를 이산화시켜 노이즈 민감도를 감소시키고 강건성을 향상시키기 위해 측정 후 양자화를 도입한다.
• 정규화, 노이즈 주입, 양자화를 통합하여 종단 간 노이즈 인식 최적화를 위한 유일한 학습 파이프라인을 구성한다.

실험 결과

연구 질문

• RQ1 양자 노이즈가 QNN 측정 결과에 미치는 영향을 선형 변환으로 모델링할 수 있으며, 이를 노이즈 완화에 활용할 수 있는가?
• RQ2 실제 하드웨어 노이즈 모델 기반의 노이즈 주입이 QNN 학습 중 강건성을 향상시키는 데 얼마나 효과적인가?
• RQ3 측정 후 정규화가 노이즈 없는 경우와 노이즈가 있는 추론 결과 간의 분포 이탈을 효과적으로 줄일 수 있는가?
• RQ4 측정 후 양자화가 실제 양자 장치에서 QNN 정확도를 어느 정도 향상시키는가?
• RQ5 정규화, 노이즈 주입, 양자화의 병합된 영향이 다양한 분류 과제에서 QNN 성능에 미치는 영향은 어떠한가?

주요 결과

• RoQNN는 8개의 분류 과제에서 실제 양자 하드웨어에서 QNN 정확도를 최대 43% 향상시켰다.
• IBMQ-Yorktown에서 RoQNN는 2클래스 MNIST 분류 과제에서 94% 이상의 정확도를 달성하여 기존 QNN에서 관찰된 60% 이상의 정확도 격차를 크게 줄였다.
• 4클래스 MNIST 분류 과제에서는 실제 양자 장치에서 RoQNN가 80% 이상의 정확도를 달성했다.
• 10클래스 MNIST 분류 과제에서는 RoQNN가 실제 하드웨어에서 34%의 정확도를 확보하여 다중 클래스 과제의 가능성을 입증했다.
• 프레임워크의 구성 요소인 측정 후 정규화, 노이즈 주입, 양자화가 함께 작용하여 6종의 다른 양자 장치에서 강건한 성능을 제공한다.