[论文解读] Enhancing quantum computer performance via symmetrization

Andrii Maksymov, Jason Nguyen+2 more|arXiv (Cornell University)|Jan 18, 2023

Quantum Computing Algorithms and Architecture被引用 5

一句话总结

本文提出了一种固件级别的错误缓解策略——对称化（symmetrization），通过生成量子线路的多个对称变体，在不同量子比特映射下执行，并采用非线性投票机制聚合结果，从而在无需额外量子比特或门资源的前提下，显著提升离子阱量子计算机的性能。在IonQ Aria系统上，该方法在15量子比特量子傅里叶变换加法器上实现了高达100倍的性能提升，显著降低了确定性控制误差，同时保持了统计保真度。

ABSTRACT

Large quantum computers promise to solve some critical problems not solvable otherwise. However, modern quantum technologies suffer various imperfections such as control errors and qubit decoherence, inhibiting their potential utility. The overheads of quantum error correction are too great for near-term quantum computers, whereas error-mitigation strategies that address specific device imperfections may lose relevance as devices improve. To enhance the performance of quantum computers with high-quality qubits, we introduce a strategy based on symmetrization and nonlinear aggregation. On a commercial trapped-ion quantum computer, it improves performance of multiple practical algorithms by 100x with no qubit or gate overhead.

研究动机与目标

• 解决由于缓慢漂移的控制不准确导致的近期量子计算机性能持续受限的问题，尤其是在高保真度离子阱系统中。
• 开发一种无需额外量子比特或门资源的固件级别错误缓解策略，避免量子误差纠正带来的高开销。
• 克服现有错误缓解技术的局限性，这些技术依赖于随机噪声模型或设备特定校准，随着量子比特质量的提升，其有效性可能迅速过时。
• 通过利用线路编译、量子比特映射和门分解中的对称性，在算法层面实现系统性的性能提升。
• 提供一种可扩展、通用的框架，适用于多种实际量子算法，包括量子傅里叶变换和量子机器学习线路。

提出的方法

• 通过应用量子比特映射的随机排列和保持理想酉操作不变的替代门分解方式，生成多个量子线路的对称变体。
• 在相同量子处理器上、一致校准条件下执行每个变体，以隔离确定性控制误差的影响。
• 从所有变体中收集测量统计信息，并通过分量平均或非线性多数投票方式聚合，以抑制系统性误差。
• 采用基于阈值的投票机制，识别在多个变体中出现最频繁的比特串，若无共识则回退至平均处理。
• 通过在具有已知输出的线路上的训练运行，优化超参数，如变体数量、重复次数和门分解策略。
• 利用对称性的均匀随机采样，确保统计覆盖范围，而无需存储所有先前的对称配置，从而实现可扩展的实现。

实验结果

研究问题

• RQ1 对称化量子线路变体是否能显著降低高保真度离子阱量子计算机中缓慢漂移的控制不准确的影响？
• RQ2 通过多数投票实现的非线性聚合是否能在不放大随机噪声的前提下，优于线性平均以抑制确定性误差？
• RQ3 对称化在不引入量子比特或门开销的前提下，能在多大程度上提升实际量子算法（如量子傅里叶变换和量子机器学习线路）的性能？
• RQ4 对称性采样方式的选择（如随机采样与低差异采样）如何影响对称化过程的收敛性和准确性？
• RQ5 所提出的方法是否能在多种量子线路类别中保持有效性和稳定性，包括输出概率均匀分布和稀疏分布的线路？

主要发现

• 对于15量子比特的量子傅里叶变换加法器线路，采用多数投票的对称化方法相比基线执行实现了100倍的性能提升，且理想输出未发生失真。
• 在量子机器学习线路中，通过分量平均的线性聚合使性能提升了1.5至2倍，显示出一致但更温和的增益。
• 多数投票策略有效抵消了确定性控制误差（如两量子比特门中的系统性旋转不足），同时保持了随机噪声的统计完整性。
• 即使单个变体未能产生正确结果，该方法仍能通过多个对称变体的共识恢复正确输出，保持了高保真度。
• 通过训练运行可确定最优超参数（包括变体数量和投票阈值），并可在具有相似结构的多个线路中复用。
• 该方法在设计上具有可扩展性和硬件无关性，仅依赖于线路编译和量子比特映射中的对称性，因此可适用于未来更高保真度的量子处理器，不仅限于离子阱系统。