[논문 리뷰] Can Noise on Qubits Be Learned in Quantum Neural Network? A Case Study on QuantumFlow

Zhiding Liang, Zhepeng Wang외 5명|arXiv (Cornell University)|2021. 09. 08.

Quantum Computing Algorithms and Architecture참고 문헌 32인용 수 7

한 줄 요약

이 논문은 양자 신경망(QNNs)을 위한 오차 인지 학습 프레임워크를 제안하며, 모델 최적화 과정에서 큐비트 노이즈를 학습하고 완화하는 방식을 사용한다. 응용 분야에 특화된 컴파일러를 통해 효율적이고 반복 가능한 큐비트 매핑을 가능하게 한다. 이 방법은 노이즈 있는 하드웨어에서 오차 간과 학습보다 최대 28% 높은 정확도를 달성하며, 추가 물리적 큐비트가 필요 없이도 강건성을 확보한다.

ABSTRACT

In the noisy intermediate-scale quantum (NISQ) era, one of the key questions is how to deal with the high noise level existing in physical quantum bits (qubits). Quantum error correction is promising but requires an extensive number (e.g., over 1,000) of physical qubits to create one "perfect" qubit, exceeding the capacity of the existing quantum computers. This paper aims to tackle the noise issue from another angle: instead of creating perfect qubits for general quantum algorithms, we investigate the potential to mitigate the noise issue for dedicate algorithms. Specifically, this paper targets quantum neural network (QNN), and proposes to learn the errors in the training phase, so that the identified QNN model can be resilient to noise. As a result, the implementation of QNN needs no or a small number of additional physical qubits, which is more realistic for the near-term quantum computers. To achieve this goal, an application-specific compiler is essential: on the one hand, the error cannot be learned if the mapping from logical qubits to physical qubits exists randomness; on the other hand, the compiler needs to be efficient so that the lengthy training procedure can be completed in a reasonable time. In this paper, we utilize the recent QNN framework, QuantumFlow, as a case study. Experimental results show that the proposed approach can optimize QNN models for different errors in qubits, achieving up to 28% accuracy improvement compared with the model obtained by the error-agnostic training.

연구 동기 및 목표

• 근접한 양자 컴퓨터의 높은 노이즈 문제를 해결하기 위해, 양자 오차 수정을 활용하지 않고도 QNNs가 큐비트 오차에 강건하도록 하는 것.
• 훈련 과정에서 일관되고 효율적인 큐비트 매핑을 보장하는 응용 분야에 특화된 컴파일러를 개발하여 최적화 시간을 단축하고 장시간 훈련 절차와의 통합을 가능하게 하는 것.
• 명시적인 노이즈 모델링을 통한 QNN 훈련이 기존 오차 간과 훈련에 비해 더 강건한 모델을 만들어내는지 입증하는 것.

제안 방법

• 다양한 하드웨어 구성에서 로직적-물리적 큐비트 매핑을 고정하는 응용 분야에 특화된 큐비트 매핑 알고리즘을 설계하여 게이트 수를 최소화하고 재현 가능성을 확보한다.
• 노이즈를 명시적으로 모델링하고 학습하는 QNN 최적화 과정에 매핑 알고리즘을 통합한다.
• 클래식 계산을 활용해 노이즈 인지 손실 함수를 사용하여 QNN를 훈련시키며, 역전파 과정에서 다양한 오차율(예: 비트-플립, 위상 이동)을 시뮬레이션한다.
• 지능적인 큐비트 할당을 통해 얽힘 오버헤드를 최소화하여 회로 깊이를 최적화하고 SWAP 게이트 사용을 줄인다.
• 0.02초 이내에 매핑을 완료하는 컴파일러를 구현하여 기존 히우리스틱 및 최적 컴파일러 대비 200배 이상의 속도 향상을 달성한다.
• 모의 실험기구(IBM Qiskit)와 실제 하드웨어(ibmq_montreal)에서 프레임워크를 검증하며, 다양한 오차율에서 정확도와 효율성을 비교한다.

실험 결과

연구 질문

• RQ1 양자 신경망은 최적화 단계에서 특정 큐비트 노이즈 특성을 학습하고 적응시킬 수 있는가?
• RQ2 응용 분야에 특화된 큐비트 매핑은 하드웨어 노이즈가 존재하는 상황에서 QNN 훈련의 효율성과 일관성에 어떤 영향을 미치는가?
• RQ3 오차 인지 훈련이 오차 간과 훈련에 비해 노이즈 있는 중간 규모 양자(NISQ) 장치에서 QNN 정확도를 어느 정도 향상시킬 수 있는가?
• RQ4 사용자 정의 컴파일러는 QNN용 회로 품질을 유지하거나 향상시키면서도 컴파일 시간을 크게 단축시킬 수 있는가?
• RQ5 SWAP 게이트 사용 감소가 최종 QNN 정확도와 실행 효율성에 어떤 영향을 미치는가?

주요 결과

• 제안된 오차 인지 학습 프레임워크는 큐비트 오차율이 0.1에 도달했을 때 기준 모델 대비 최대 28% 높은 정확도를 달성했으며, QF-RobustNN는 기준 모델이 50% 이하로 떨어지는 상황에서도 75%의 정확도를 유지했다.
• 오차율이 0.0005, 0.001, 0.01일 경우 각각 QF-RobustNN 모델은 오차 간과 기준 모델 대비 1%, 2%, 5%의 정확도 향상을 보였다.
• 응용 분야에 특화된 컴파일러는 ibmq_montreal에서 매핑 시간을 0.014~0.020초로 단축시켜 히우리스틱 기반 HA 컴파일러 대비 200배 이상, QUEKO 대비 180,000배 이상의 속도 향상을 달성했다.
• 제안된 컴파일러를 사용해 QF-RobustNN 모델은 실제 하드웨어에서 80%의 정확도를 달성했으며, HA는 75%, 기준 모델은 74%를 기록했고, SWAP 게이트 수는 HA의 43개 대비 12개로 줄였다.
• 다양한 회로 복잡도 수준에서 일관된 성능 향상을 보였으며, 중간 복잡도 회로에서 QUEKO 대비 최대 355,526배의 속도 향상을 달성했다.
• 결과는 학습 과정에서 노이즈를 학습하는 것이 효과적이며, 일관되고 효율적인 큐비트 매핑이 NISQ 시대의 확장 가능한 QNN 훈련에 필수적이라는 것을 확인한다.