[논문 리뷰] Training Quantum Neural Networks on NISQ Devices

Kerstin Beer, Daniel List외 3명|arXiv (Cornell University)|2021. 04. 13.

Quantum Computing Algorithms and Architecture인용 수 5

한 줄 요약

이 논문은 노이즈가 있는 중규모 양자(NISQ) 장치에서 학습하기 위해 두 가지 양자 신경망(QNN) 아키텍처—소산성 QNN(DQNN)과 양자 근사 최적화 알고리즘(QAOA)—을 평가한다. IBM의 양자 하드웨어에서 기울기 기반 최적화를 사용하여, 저자들은 DQNN이 알려지지 않은 유니타리 연산자를 학습할 때 QAOA보다 더 높은 허상도와 노이즈에 대한 강건성을 보이며, 실용적인 NISQ 시대의 응용에 더 적합하다는 것을 입증한다.

ABSTRACT

The advent of noisy intermediate-scale quantum (NISQ) devices offers crucial opportunities for the development of quantum algorithms. Here we evaluate the noise tolerance of two quantum neural network (QNN) architectures on IBM's NISQ devices, namely, dissipative QNN (DQNN) whose building-block perceptron is a completely positive map, and the quantum approximate optimization algorithm (QAOA). We compare these two approaches to learning an unknown unitary. While both networks succeed in this learning task, we find that a DQNN learns an unknown unitary more reliably than QAOA and is less susceptible to gate noise.

연구 동기 및 목표

• 현재의 NISQ 장치에서 두 가지 QNN 아키텍처—DQNN와 QAOA—의 노이즈 내성과 성능을 평가하기 위해.
• 실제 게이트 노이즈 조건에서 DQNN와 QAOA가 알려지지 않은 유니타리 연산자를 학습할 때의 강건성 비교를 위해.
• 기본적인 노이즈와 드리프트를 갖는 실제 양자 하드웨어에서 기울기 기반 학습의 성능을 조사하기 위해.
• NISQ 장치의 높은 노이즈 수준에도 불구하고 두 QNN의 일반화 능력을 평가하기 위해.
• DQNN 아키텍처가 노이즈 하에서 허상도와 수렴성 측면에서 QAOA보다 우월한 점을 규명하기 위해.

제안 방법

• 완전히 양성 매핑을 사용하여 양자 퍼셉트론으로서의 DQNN을 파라미터화된 양자 회로로 구현하며, 층별 큐비트 상호작용을 포함한다.
• 동일한 큐비트에 작용하는 교차하는 유니타리 층을 갖는 변분 양자 회로로서 QAOA를 구현하며, 이를 QNN으로 해석한다.
• Qiskit를 사용하여 비용 함수 기반의 허상도를 최소화하도록 파라미터를 최적화함으로써 두 네트워크를 학습시킨다.
• 시뮬레이터와 실제 IBM Q 장치(예: ibmq_casablanca, ibmq_16_melbourne)에서 학습을 실행하며, 허상도 측정을 위해 파괴적 스왑 테스트를 사용한다.
• 수렴, 노이즈 영향, 일반화를 평가하기 위해 학습, 검증, 정체성 비용을 모니터링한다.
• 노이즈 수준을 다양하게 시뮬레이션하기 위해 오차 확률 요소(k)를 사용하여 다양한 노이즈 영역에서의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 DQNN 아키텍처는 NISQ 장치에서 알려지지 않은 유니타리 연산자를 학습할 때 QAOA와 어떻게 비교되는가?
• RQ2 실제 양자 하드웨어 조건에서 DQNN은 QAOA보다 얼마나 더 노이즈에 강건한가?
• RQ3 실제 NISQ 하드웨어의 높은 노이즈 수준과 장치 드리프트에도 불구하고 두 QNN은 효과적으로 일반화될 수 있는가?
• RQ4 노이즈 있는 양자 실행 조건에서 정체성 비용이 학습 및 검증 비용의 신뢰할 수 있는 상한선으로 기능하는가?
• RQ5 기본적인 노이즈를 갖는 실제 양자 프로세서에서 실행할 때 DQNN과 QAOA의 학습 동역학은 어떻게 다를까?

주요 결과

• 노이즈가 없는 조건(k=0)에서는 DQNN와 QAOA가 알려진 유니타리 연산자를 학습하는 데 유사한 성능을 보인다.
• 실제 게이트 노이즈 조건(k=1)에서는 DQNN가 항상 QAOA보다 더 높은 정체성 비용을 기록하며, 더 높은 허상도와 강건성을 나타낸다.
• 노이즈 조건 하에서 DQNN는 QAOA보다 더 높은 학습 및 검증 비용을 보이며, 노이즈 특성을 더 잘 포착하고 적응함을 시사한다.
• 높은 노이즈에도 불구하고 두 네트워크는 높은 검증 비용/정체성 비용 비율을 통해 효과적으로 일반화됨을 입증한다.
• 실제 하드웨어에서 몇 번의 에포크 이후 학습 비용이 정체성 비용을 초과하며, 네트워크가 통계적 변동성에 제한되지 않고 장치 노이즈 드리프트에 적응함을 나타낸다.
• 특히 현재의 NISQ 장치 노이즈 수준에서 DQNN는 QAOA보다 게이트 노이즈에 덜 민감하며, 실용적 응용에 더 신뢰할 수 있다.