[论文解读] Can Noise on Qubits Be Learned in Quantum Neural Network? A Case Study on QuantumFlow

Zhiding Liang, Zhepeng Wang+5 more|arXiv (Cornell University)|Sep 8, 2021

Quantum Computing Algorithms and Architecture参考文献 32被引用 7

一句话总结

本文提出了一种针对量子神经网络（QNNs）的误差感知训练框架，可在模型优化过程中学习并缓解量子比特噪声，利用定制的应用特定编译器实现高效、可重复的量子比特映射。该方法在噪声硬件上的准确率相比无误差感知训练最高提升28%，展现出无需额外物理量子比特的鲁棒性。

ABSTRACT

In the noisy intermediate-scale quantum (NISQ) era, one of the key questions is how to deal with the high noise level existing in physical quantum bits (qubits). Quantum error correction is promising but requires an extensive number (e.g., over 1,000) of physical qubits to create one "perfect" qubit, exceeding the capacity of the existing quantum computers. This paper aims to tackle the noise issue from another angle: instead of creating perfect qubits for general quantum algorithms, we investigate the potential to mitigate the noise issue for dedicate algorithms. Specifically, this paper targets quantum neural network (QNN), and proposes to learn the errors in the training phase, so that the identified QNN model can be resilient to noise. As a result, the implementation of QNN needs no or a small number of additional physical qubits, which is more realistic for the near-term quantum computers. To achieve this goal, an application-specific compiler is essential: on the one hand, the error cannot be learned if the mapping from logical qubits to physical qubits exists randomness; on the other hand, the compiler needs to be efficient so that the lengthy training procedure can be completed in a reasonable time. In this paper, we utilize the recent QNN framework, QuantumFlow, as a case study. Experimental results show that the proposed approach can optimize QNN models for different errors in qubits, achieving up to 28% accuracy improvement compared with the model obtained by the error-agnostic training.

研究动机与目标

• 为应对近期量子计算机中高噪声问题，使QNN对量子比特错误具有鲁棒性，而不依赖量子误差纠正。
• 开发一种应用特定的编译器，确保在不同硬件配置下训练过程中保持一致且高效的量子比特映射，减少优化时间，并支持与长时间训练过程的集成。
• 证明显式建模噪声的QNN训练相比标准的无误差感知训练，可产生更鲁棒的模型。

提出的方法

• 设计一种应用特定的量子比特映射算法，固定不同硬件配置下的逻辑-物理量子比特映射，最小化门数并确保可重复性。
• 将该映射算法集成到一个显式建模并从噪声中学习的训练框架中，用于QNN优化。
• 使用经典计算训练QNN，采用噪声感知损失函数，在反向传播过程中模拟各种错误率（例如，比特翻转、相位偏移）。
• 通过智能的量子比特分配最小化纠缠开销，优化电路深度并减少SWAP门的使用。
• 实现一个编译器，可在0.02秒内完成映射，相比现有启发式和最优编译器实现超过200倍的加速。
• 在模拟器（IBM Qiskit）和真实硬件（ibmq_montreal）上验证该框架，比较不同错误率下的准确率和效率。

实验结果

研究问题

• RQ1 量子神经网络是否可以在优化阶段学习并适应特定的量子比特噪声特征？
• RQ2 应用特定的量子比特映射在硬件噪声存在下，如何影响QNN训练的效率和一致性？
• RQ3 与无误差感知训练相比，误差感知训练在噪声中间规模量子（NISQ）设备上能多大程度上提升QNN准确率？
• RQ4 定制编译器是否能显著减少编译时间，同时保持或提升QNN的电路质量？
• RQ5 减少SWAP门使用对最终QNN准确率和执行效率有何影响？

主要发现

• 当量子比特错误率达到0.1时，所提出的误差感知训练框架相比基线模型准确率最高提升28%，其中QF-RobustNN在基线准确率降至50%以下时仍保持75%的准确率。
• 在错误率分别为0.0005、0.001和0.01时，QF-RobustNN模型相比无误差感知基线分别实现了1%、2%和5%的准确率提升。
• 应用特定的编译器将ibmq_montreal上的映射时间缩短至0.014–0.020秒，相比基于启发式的HA编译器实现超过200倍的加速，相比QUEKO实现超过180,000倍的加速。
• 使用所提出的编译器，QF-RobustNN模型在真实硬件上实现了80%的准确率，而HA编译器为75%，基线为74%，且仅使用12个SWAP门，而HA使用43个SWAP门。
• 该框架在不同电路复杂度水平下均表现出一致的性能提升，中等复杂度电路相比QUEKO的加速最高达355,526倍。
• 结果证实，在训练过程中学习噪声是有效的，且一致高效的量子比特映射对于NISQ时代可扩展的QNN训练至关重要。