[論文レビュー] QuEst: Graph Transformer for Quantum Circuit Reliability Estimation

Hanrui Wang, Pengyu Liu+11 more|arXiv (Cornell University)|Oct 30, 2022

Quantum Computing Algorithms and Architecture参考文献 52被引用数 12

ひとこと要約

本稿では、ノイズ下での量子回路の忠実度を多項式時間で推定するグラフ変換器モデルQuEstを提案する。この手法は、高価な指数的シミュレーションを回避する。回路をゲートおよびノイズ特徴を持つグラフとして表現することで、シミュレーターよりも200倍以上高速で0.04のRMSEを達成し、ランダム回路とアルゴリズム回路のそれぞれで決定係数R²が0.99および0.95に達する。

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.

研究の動機と目的

• ノイズ下でのNISQデバイスにおける量子回路忠実度の効率的推定の課題に対処すること。
• 大規模な回路では実用的な忠実度評価を制限する指数的古典的シミュレーションコストを克服すること。
• データ駆動型で高速かつ高精度な信頼性推定を可能にし、耐障害性のある量子回路設計および最適化を支援すること。
• グラフニューラルネットワークが量子回路構造およびノイズ伝搬をモデル化する有効性を示すこと。
• 広範な研究および応用利用を促進するため、提案手法をTorchQuantumライブラリに統合すること。

提案手法

• ゲートをノードとし、実行順序がエッジを定義するグラフとして量子回路を表現する。
• ゲートの種別、キュービットインデックス、デバイス固有のノイズパラメータ（例：T1、T2、ゲート誤差）を含むノード特徴を符号化する。
• グラフ構造に基づいて回路忠実度を予測するため、ノード表現の集約にグラフ変換器モデルを採用する。
• ノイズ付きシミュレーターや実際の量子ハードウェアで評価されたランダム回路およびアルゴリズム回路の大規模データセット上でモデルを学習する。
• プロセストロポグラフィー忠実度（PST）を正例ラベルとして用い、忠実度と強い相関（スピアマン係数 = 0.993）を確認した。
• 特徴量の重要性とハイパーパramータチューニング（例：層数、測定回数）によるモデル性能最適化を実施する。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークは、量子回路構造およびノイズ伝搬を効果的にモデル化し、忠実度を予測できるか？
• RQ2 キュービットインデックスやゲート種別、T1/T2などの特定のノード特徴量の含め方が予測精度に与える影響は何か？
• RQ3 モデルの深さ（変換器層数）および測定回数が予測性能に与える影響は何か？
• RQ4 古典的回路シミュレーションと比較して、本手法の正確性と速度はどのように異なるか？
• RQ5 異なる量子ハードウェアバックエンド（シミュレータおよび実デバイス）で、ノイズプロファイルが異なる状況でも一般化可能か？

主な発見

• テストセットにおいて平均RMSEが0.04を達成し、ノイズ付きシミュレータでは0.0236、IBM Genevaでは0.0720を記録した。
• 単純な順方向ニューラルネットワークよりも平均RMSEで0.02の優位性を示し、グラフベースのモデリングの利点を裏付けた。
• 決定係数R²はランダム回路で0.99、アルゴリズム回路で0.95に達し、優れた予測性能を示した。
• 古典的シミュレーターよりも200倍以上の高速化を達成し、NVIDIA A100 GPUでバッチサイズ10では1.7K倍の高速化を達成した。
• アブレーションスタディでは、「キュービットインデックス」または「ゲート種別」特徴量を削除すると性能が著しく低下し、それらの重要性が明確になった。
• 訓練データにおける測定回数を増加させてもモデルの正確性が一貫して向上しないことから、ノイズのばらつきが測定回数の利点を制限することが示唆された。