[论文解读] A deep learning model for noise prediction on near-term quantum devices

Alexander Zlokapa, Alexandru Gheorghiu|arXiv (Cornell University)|May 21, 2020

Quantum Computing Algorithms and Architecture参考文献 18被引用 21

一句话总结

本文提出了一种基于深度学习的量子线路编译器，通过在实验数据上训练卷积神经网络（CNN）来学习特定硬件的噪声模型，从而预测并减少近期量子设备中的噪声。该编译器利用CNN作为噪声预测器，在空闲的电路间隙中插入最小化噪声的门序列，与Qiskit相比，平均输出噪声降低了12.3%，表现出显著的硬件特异性。

ABSTRACT

We present an approach for a deep-learning compiler of quantum circuits, designed to reduce the output noise of circuits run on a specific device. We train a convolutional neural network on experimental data from a quantum device to learn a hardware-specific noise model. A compiler then uses the trained network as a noise predictor and inserts sequences of gates in circuits so as to minimize expected noise. We tested this approach on the IBM 5-qubit devices and observed a reduction in output noise of 12.3% (95% CI [11.5%, 13.0%]) compared to the circuits obtained by the Qiskit compiler. Moreover, the trained noise model is hardware-specific: applying a noise model trained on one device to another device yields a noise reduction of only 5.2% (95% CI [4.9%, 5.6%]). These results suggest that device-specific compilers using machine learning may yield higher fidelity operations and provide insights for the design of noise models.

研究动机与目标

• 为解决近期量子设备中由于退相干、门错误和串扰导致的噪声问题，这些因素限制了计算保真度。
• 开发一种基于机器学习的噪声模型，以捕捉超越标准理论假设的复杂、设备特定的误差动力学。
• 设计一种编译器，利用学习到的噪声模型优化电路编译，以最小化输出噪声，而非依赖于门数等代理指标。
• 评估通过深度学习训练的设备特定噪声模型是否能优于通用或启发式编译策略。
• 探索利用深度学习发现有效的噪声缓解策略（如动态解耦序列）的可行性，而无需事先了解硬件参数。

提出的方法

• 在特定IBM 5量子比特设备的实验量子线路数据上训练卷积神经网络（CNN），以基于电路结构预测输出噪声。
• 将电路编码为多通道图像，每种门类型映射到一个通道，从而在量子比特和门序列上实现空间滤波。
• 网络学习预测等效电路之间噪声差异，有效建模相关性和非马尔可夫误差。
• 编译器使用训练好的CNN作为噪声预测器，在空闲量子比特区域插入等效于恒等操作的门序列，以抑制相干噪声。
• 该方法借鉴了动态解耦和随机编译的原理，但使用的是学习到的模式而非解析设计。
• 通过在多个IBM设备上比较编译后电路的输出噪声来评估该方法，噪声通过与理想输出分布的保真度进行测量。

实验结果

研究问题

• RQ1 在特定量子设备上，基于实验数据训练的深度学习模型能否准确预测量子线路的输出噪声？
• RQ2 通过深度学习学习到的设备特定噪声模型是否能带来相比标准编译器可测量的保真度提升？
• RQ3 所学习的噪声模型在不同量子设备之间的可迁移程度如何，这对性能有何影响？
• RQ4 CNN是否能在不了解门保真度或退相干时间的前提下，识别出空闲电路区域中有效的噪声抑制门序列？
• RQ5 在多个设备上，该基于深度学习的编译器在噪声降低方面与Qiskit编译器相比表现如何？

主要发现

• 与Qiskit编译器相比，该深度学习编译器在输出噪声上实现了12.3%的平均降低，95%置信区间为[11.5%，13.0%]。
• 该噪声模型具有高度设备特异性：当在一台设备上训练并在另一台设备上应用时，噪声降低仅降至5.2%（95%置信区间[4.9%，5.6%]）。
• 在伦敦设备上，CNN在预测输出噪声方面的决定系数R²达到0.86，在伯明翰设备上为0.66，表明在不访问硬件参数的情况下仍具有强大的预测性能。
• 该模型成功识别出空闲电路间隙中可最小化噪声的门序列，证明了其在抑制相干、非马尔可夫噪声效应方面的有效性。
• 该方法在性能上优于在间隙中随机插入门的策略，后者平均仅实现4.5%的噪声降低，证实了学习优化的价值。
• 结果表明，硬件特定的、学习到的噪声模型可显著提升电路保真度，并为量子误差缓解开辟了新途径。