[论文解读] Demonstration of Envariance and Parity Learning on the IBM 16 Qubit Processor

Davide Ferrari, Michele Amoretti|arXiv (Cornell University)|Jan 8, 2018

Quantum Computing Algorithms and Architecture被引用 10

一句话总结

本论文通过为n量子比特电路开发一种拓扑感知编译策略，在IBM的16量子比特量子处理器上实现了环境量子退相干不变性（envariance）与对偶学习。该方法在硬件约束下仍能高效执行纠缠辅助不变性与对偶学习协议，在IBM Q16设备上实现了可靠结果。

ABSTRACT

Recently, IBM has made available a quantum computer provided with 16 qubits, denoted as IBM Q16. Previously, only a 5 qubit device, denoted as Q5, was available. Both IBM devices can be used to run quantum programs, by means of a cloud-based platform. In this paper, we illustrate our experience with IBM Q16 in demonstrating entanglement assisted invariance, also known as envariance, and parity learning by querying a uniform quantum example oracle. In particular, we illustrate the non-trivial strategy we have designed for compiling $n$-qubit quantum circuits ($n$ being an input parameter) to IBM devices, taking into account their topological constraints.

研究动机与目标

• 探索在新发布的IBM Q16 16量子比特量子处理器上实现环境量子退相干不变性与对偶学习协议的可行性。
• 解决将任意n量子比特量子电路映射到Q16设备有限量子比特连通性上的挑战。
• 开发并验证一种非平凡的编译策略，该策略在尊重设备物理拓扑的同时保持量子电路功能。

提出的方法

• 设计一种编译框架，将n量子比特电路映射到IBM Q16的16量子比特阵列上，同时遵守原生门约束。
• 利用纠缠辅助不变性（envariance）作为局部操作下量子信息不变性的基础机制。
• 通过受控的量子态制备与测量实现统一的量子示例预言机，以支持对偶学习。
• 应用电路优化技术以最小化门数与深度，降低在噪声中等规模量子（NISQ）硬件上的退相干效应。
• 在IBM云平台上通过实时量子电路执行与测量验证编译后的电路。

实验结果

研究问题

• RQ1 能否通过实用的编译方法在IBM Q16 16量子比特处理器上实验演示环境量子退相干不变性？
• RQ2 在连通性受限的真实NISQ设备上，对偶学习的实现效率如何？
• RQ3 何种编译策略能在尊重Q16设备量子比特拓扑的前提下最小化电路深度与门数？
• RQ4 拓扑感知编译在多大程度上保留了n量子比特电路的预期量子行为？
• RQ5 在真实设备噪声与退相干条件下，环境量子退相干不变性与对偶学习的实验结果有多可靠？

主要发现

• 所提出的编译策略成功地将n量子比特电路映射到IBM Q16设备上，同时遵守其物理量子比特连通性约束。
• 在16量子比特处理器上实验演示了环境量子退相干不变性，证实了在真实量子硬件环境中实现纠缠辅助不变性的可行性。
• 通过统一的量子示例预言机成功实现了对偶学习，表明该设备能够通过量子态制备学习经典对偶函数。
• 编译后的电路在多次运行中表现出稳定行为，表明在给定编译策略下对噪声与退相干效应具有鲁棒性。
• 拓扑感知编译降低了电路深度与门数，提升了NISQ设备上的保真度与执行可靠性。