[논문 리뷰] QVECTOR: an algorithm for device-tailored quantum error correction

Peter D. Johnson, Jonathan Romero외 3명|arXiv (Cornell University)|2017. 11. 07.

Quantum Computing Algorithms and Architecture참고 문헌 51인용 수 26

한 줄 요약

QVECTOR는 이상화된 노이즈 모델이 아닌 실제 하드웨어 노이즈를 기반으로 인코딩 및 복구 연산을 최적화하는 기기 맞춤형 양자 오류 수정 알고리즘을 제안한다. 시뮬레이션 결과, 위상 감쇠 하에서 효과적인 T₂를 여섯 배로 연장하고, 진폭 및 위상 감쇠 하에서는 다섯 큐비트 스테이빌라이저 코드를 능가한다. 이는 노이즈의 공명성을 활용하기 때문이다.

ABSTRACT

Current approaches to fault-tolerant quantum computation will not enable useful quantum computation on near-term devices of 50 to 100 qubits. Leading proposals, such as the color code and surface code schemes, must devote a large fraction of their physical quantum bits to quantum error correction. Building from recent quantum machine learning techniques, we propose an alternative approach to quantum error correction aimed at reducing this overhead, which can be implemented in existing quantum hardware and on a myriad of quantum computing architectures. This method aims to optimize the average fidelity of encoding and recovery circuits with respect to the actual noise in the device, as opposed to that of an artificial or approximate noise model. The quantum variational error corrector (QVECTOR) algorithm employs a quantum circuit with parameters that are variationally-optimized according to processed data originating from quantum sampling of the device, so as to learn encoding and error-recovery gate sequences. We develop this approach for the task of preserving quantum memory and analyze its performance with simulations. We find that, subject to phase damping noise, the simulated QVECTOR algorithm learns a three-qubit encoding and recovery which extend the effective T2 of a quantum memory six-fold. Subject to a continuous-time amplitude- plus phase-damping noise model on five qubits, the simulated QVECTOR algorithm learns encoding and decoding circuits which exploit the coherence among Pauli errors in the noise model to outperform the five-qubit stabilizer code and any other scheme that does not leverage such coherence. Both of these schemes can be implemented with existing hardware.

연구 동기 및 목표

• 근접한 50~100 큐비트 장치에서 표면 코드 및 컬러 코드와 같은 선도적 스테이빌라이저 코드의 높은 물리적 큐비트 오버헤드를 해결한다.
• 기존 오류 수정 방법의 한계를 극복한다. 이는 이상화되거나 정확하지 않은 노이즈 모델에 의존하기 때문이다.
• 기존 양자 하드웨어에서 구현 가능한 실용적이고 하드웨어 통합형 오류 수정 접근법을 개발한다.
• 실제 기기 특화 노이즈 과정을 고려해 인코딩 및 복구 회로를 최적화하여 오류 수정 오버헤드를 감소시킨다.
• 양자 샘플링을 통해 직접 오류 보정된 논리 연산을 학습함으로써 근접한 장치에서 고장내성 양자 계산을 가능하게 한다.

제안 방법

• 양자 메모리의 인코딩 및 복구 연산을 동시에 최적화하기 위해 파arameterized 양자 회로(아너츠)를 사용한다.
• 실제 장치에서 직접 샘플된 데이터를 기반으로 변량 최적화를 수행하여 실제 노이즈를 반영한다.
• 장치의 실제 노이즈 특성에 대해 인코딩 및 복구 과정의 평균 허용도를 최적화한다.
• 양자 기계학습 기법을 활용해 파울리가 아닌, 기기 특화 오류 수정 체계를 학습하며, 노이즈의 공명성을 활용한다.
• 위상 감쇠 및 연속 시간 진폭-위상 감쇠 노이즈 모델 하에서 삼큐비트 및 오 큐비트 시스템에 알고리즘을 적용한다.
• 양자 샘플링에서 측정된 허용도 추정치를 기반으로 고전적 최적화를 통해 회로 파라미터를 업데이트한다.

실험 결과

연구 질문

• RQ1 변량 양자 알고리즘이 표준 스테이빌라이저 코드를 능가하는 효과적이고 기기 특화된 오류 수정 코드를 학습할 수 있는가?
• RQ2 실제 하드웨어 노이즈는 근접한 양자 장치에서 오류 수정 오버헤드를 얼마나 줄일 수 있는가?
• RQ3 이상화된 모델이 아닌 실제 기기 노이즈를 고려해 최적화할 경우, 양자 메모리 연속성에 측정 가능한 향상이 이루어지는가?
• RQ4 QVECTOR 알고리즘은 전체 고장내성 아키텍처가 없이도 기존 양자 하드웨어에서 실행 가능한가?
• RQ5 공명 오차 구조를 가진 현실적인 노이즈 모델 하에서 QVECTOR의 성능은 다섯 큐비트 스테이빌라이저 코드와 비교해 어떻게 되는가?

주요 결과

• 위상 감쇠 노이즈 하에서 QVECTOR는 세 큐비트 인코딩 및 복구를 학습하여 양자 메모리의 효과적인 T₂를 여섯 배로 연장했다.
• 연속 시간 진폭-위상 감쇠 노이즈 모델 하에서 QVECTOR는 노이즈 내 파울리 오차 간의 공명성을 활용하여 다섯 큐비트 스테이빌라이저 코드를 능가했다.
• QVECTOR가 학습한 코드는 노이즈 모델의 공명성을 활용하지 않은 어떤 방법보다도 높은 평균 허용도를 달성했다.
• 이 알고리즘은 기존 양자 하드웨어에서 실행 가능하며, 새로운 게이트 세트나 고장내성 인fra스트럭처가 필요하지 않다.
• QVECTOR의 비용 함수 경로는 변량 회로 구조에 민감하여 설계 선택이 최적화 성공에 상당한 영향을 미친다.
• 이 접근법은 오류 보정된 양자 게이트를 학습하는 데 잠재력을 보이며, 변량 코드의 연결을 통해 보편 게이트 세트로의 확장 가능성이 있다.