[논문 리뷰] Machine Learning for Practical Quantum Error Mitigation

Haoran Liao, Derek S. Wang외 4명|arXiv (Cornell University)|2023. 09. 29.

Quantum Computing Algorithms and Architecture인용 수 10

한 줄 요약

이 논문은 고전 머신러닝 모델이 양자 오류를 완화시키는 데 있어 전통적 방법보다 런타임 부담이 낮으며, 최대 100 큐비트 회로에서 거의 노이즈 없는 결과를 달성하고, 다양한 시나리오에서 표준 QEM 기법을 모방하거나 능가할 수 있음을 보여준다.

ABSTRACT

Quantum computers progress toward outperforming classical supercomputers, but quantum errors remain their primary obstacle. The key to overcoming errors on near-term devices has emerged through the field of quantum error mitigation, enabling improved accuracy at the cost of additional run time. Here, through experiments on state-of-the-art quantum computers using up to 100 qubits, we demonstrate that without sacrificing accuracy machine learning for quantum error mitigation (ML-QEM) drastically reduces the cost of mitigation. We benchmark ML-QEM using a variety of machine learning models -- linear regression, random forests, multi-layer perceptrons, and graph neural networks -- on diverse classes of quantum circuits, over increasingly complex device-noise profiles, under interpolation and extrapolation, and in both numerics and experiments. These tests employ the popular digital zero-noise extrapolation method as an added reference. Finally, we propose a path toward scalable mitigation by using ML-QEM to mimic traditional mitigation methods with superior runtime efficiency. Our results show that classical machine learning can extend the reach and practicality of quantum error mitigation by reducing its overheads and highlight its broader potential for practical quantum computations.

연구 동기 및 목표

• 근접-term 디바이스에서 양자 오류 완화(QEM)의 실용성과 타당성을 동기 부여하고 평가한다.
• 노이즈가 있는 QPU 출력으로부터 노이즈-프리 기대값을 예측하기 위한 광범위한 ML 모델들을 평가한다.
• 다양한 회로 클래스와 노이즈 프로파일에서 ML-QEM의 성능을 전통적 QEM 방법과 비교한다.
• 실제 하드웨어의 대형 100-큐비트 회로에서 전통적 QEM 방법을 모방함으로써 확장성을 입증한다.

제안 방법

• 회로와 대상 QPU로부터 특징을 생성하는 인코더와, 훈련된 모델이 노이즈 기대값에서 완화된 기대값으로 매핑하는 ML-QEM 워크플로를 정의한다.
• 네 가지 ML 모델을 평가한다: 선형 회귀(OLS), 랜덤 포레스트(RF), 다층 퍼셉트론(MLP), 그래프 신경망(GNN).
• 실행 가능한 규모의 시뮬레이션 또는 하드웨어로부터 제공된 타깃으로 모델을 훈련한다; 런타임에는 추가적인 완화 회로 없이 완화된 값을 예측한다.
• 디지털 제로 노이즈 외삽(ZNE)과 벤치마크를 수행하고 런타임 오버헤드를 분석한다.
• 오버헤드를 줄이기 위해 RF를 통해 100-큐비트 회로에서 ZNE를 모방함으로써 확장성을 시연한다.
• 보지 않은 Pauli 관측값과 변분 양자 고유값 문제(VQE) 시나리오에 ML-QEM을 적용한다.

실험 결과

연구 질문

• RQ1 ML-QEM이 회로 클래스와 노이즈 모델 전반에 걸쳐 전통적 QEM 방법과 비교하여 보정 정확도를 달성할 수 있는가?
• RQ2 가장 작은 런타임 오버헤드로 양자 오류를 가장 잘 보정하는 ML 모델은 무엇이며, 보지 않은 관측값에 얼마나 잘 일반화되는가?
• RQ3 실험적으로 관련 있는 대형 회로로 확장하기 위해 기존 QEM 방법을 모방하거나 직접 학습을 통해 ML-QEM이 확장될 수 있는가?
• RQ4 다양한 노이즈 프로파일에서 보간과 외삽에서 ML-QEM의 성능 차이는 무엇인가?
• RQ5 최적화 중 보완 오버헤드를 줄이기 위해 VQE 워크플로우에 ML-QEM을 통합할 수 있는가?

주요 결과

• 랜덤 포레스트가 무작위 회로의 Pauli-Z 관측값 보정에서 일관되게 다른 ML 모델보다 우수하다.
• 모든 ML-QEM 모델(선형 회귀 포함)이 ZNE와 경쟁력 있는 성능을 달성하면서도 런타임 오버헤드를 최소 두 배 이상 감소시킨다.
• RF 기반 ML-QEM은 소수의 관측값으로 학습될 때도 보지 않은 Pauli 관측값을 ZNE보다 낮은 오버헤드로 보정할 수 있다.
• IBM 디바이스의 하드웨어 실험에서 RF는 ZNE에 비해 전체 오버헤드 약 30% 감소, 런타임 오버헤드 약 50% 감소를 보인다.
• 100-큐비트 회로에서 ZNE를 RF로 모방하면 전체 오버헤드 약 25% 감소, 런타임 오버헤드 약 50% 감소와 유사한 보정 결과를 얻는다.
• ML-QEM은 제시된 예에서 ZNE보다 오차를 한 자릿수 차이로 더 작게 만드는 변분 양자 고유값 에너지 추정치를 크게 개선할 수 있다.
• 모방 학습은 전통적 QEM 방법의 출력을 재현하도록 학습함으로써 계산 시간을 줄이며 클래스적으로 계산 불가 회로로의 확장을 가능하게 한다.