[论文解读] Training Quantum Neural Networks on NISQ Devices

Kerstin Beer, Daniel List+3 more|arXiv (Cornell University)|Apr 13, 2021

Quantum Computing Algorithms and Architecture被引用 5

一句话总结

本文评估了两种量子神经网络（QNN）架构——耗散量子神经网络（DQNN）和量子近似优化算法（QAOA）——在含噪声的中等规模量子（NISQ）设备上的训练表现。通过在IBM量子硬件上使用基于梯度的优化方法，作者证明，当学习未知酉算符时，DQNN相较于QAOA展现出更高的保真度和更强的抗噪能力，因此在实际NISQ时代应用中更具优势。

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.

研究动机与目标

• 评估两种QNN架构——DQNN和QAOA——在当前NISQ设备上的抗噪能力和性能表现。
• 比较DQNN与QAOA在真实量子门噪声条件下学习未知酉算符操作的鲁棒性。
• 研究基于梯度的训练在具有固有噪声和漂移的现实量子硬件上的表现。
• 评估在NISQ设备高噪声水平下，两种QNN的泛化能力。
• 确定DQNN的架构是否在保真度和收敛性方面相较于QAOA具有优势，尤其是在噪声环境下。

提出的方法

• 将DQNN实现为使用完全正映射作为量子感知器的参数化量子线路，采用分层量子比特相互作用。
• 将QAOA实现为变分量子线路，通过在相同量子比特上交替应用酉门层，将其解释为一种QNN。
• 使用Qiskit通过梯度下降法训练两个网络，优化参数以最小化基于保真度的代价函数。
• 在模拟器和真实的IBM Q设备（如ibmq_casablanca、ibmq_16_melbourne）上执行训练，使用破坏性交换测试来测量保真度。
• 监控训练、验证和本征代价，以评估优化过程中的收敛性、噪声影响和泛化能力。
• 使用误差概率因子（k）模拟不同噪声水平，并在不同噪声环境下比较性能表现。

实验结果

研究问题

• RQ1 在NISQ设备上，DQNN架构与QAOA在学习未知酉算符方面有何差异？
• RQ2 在真实量子硬件条件下，DQNN相较于QAOA在门噪声下的鲁棒性程度如何？
• RQ3 尽管存在高噪声水平和设备漂移，两种QNN是否仍能有效泛化？
• RQ4 在噪声量子执行中，本征代价是否可作为训练和验证代价的可靠上界？
• RQ5 在具有固有噪声的真实量子处理器上执行时，DQNN与QAOA的训练动态有何不同？

主要发现

• 在无噪声条件（k=0）下，DQNN与QAOA在学习未知酉算符方面表现相当。
• 在真实门噪声条件下（k=1），DQNN的本征代价始终高于QAOA，表明其具有更高的保真度和更强的鲁棒性。
• 在噪声条件下，DQNN的训练和验证代价高于QAOA，表明其更能有效捕捉并适应噪声特性。
• 尽管存在高噪声，两种网络仍表现出良好泛化能力，表现为验证代价与本征代价的比值较高。
• 在真实硬件上，经过若干训练周期后，训练代价超过本征代价，表明网络能够适应设备噪声漂移，而非受限于统计波动。
• 与QAOA相比，DQNN对门噪声的敏感性更低，尤其在当前NISQ设备的噪声水平下，因此在实际应用中更具可靠性。