[论文解读] Machine learning approach for quantum non-Markovian noise classification.

Stefano Martina, Stefano Gherardini+1 more|arXiv (Cornell University)|Jan 8, 2021

Quantum Computing Algorithms and Architecture参考文献 69被引用 11

一句话总结

本文提出一种机器学习框架，结合支持向量机、多层感知机和循环神经网络，用于分类随机量子动力学中的量子非马尔可夫噪声。通过仅基于单次量子行走实验的合成数据进行训练，该模型仅利用离散时间点的位置/能量概率测量即可对噪声类型进行分类，无需相干性测量或控制脉冲，从而可直接应用于含噪声的近似容错量子设备。

ABSTRACT

In this paper, machine learning and artificial neural network models are proposed for quantum noise classification in stochastic quantum dynamics. For this purpose, we train and then validate support vector machine, multi-layer perceptron and recurrent neural network, models with different complexity and accuracy, to solve supervised binary classification problems. By exploiting the quantum random walk formalism, we demonstrate the high efficacy of such tools in classifying noisy quantum dynamics using data sets collected in a single realisation of the quantum system evolution. In addition, we also show that for a successful classification one just needs to measure, in a sequence of discrete time instants, the probabilities that the analysed quantum system is in one of the allowed positions or energy configurations, without any external driving. Thus, neither measurements of quantum coherences nor sequences of control pulses are required. Since in principle the training of the machine learning models can be performed a-priori on synthetic data, our approach is expected to find direct application in a vast number of experimental schemes and also for the noise benchmarking of the already available noisy intermediate-scale quantum devices.

研究动机与目标

• 开发一种用于分类开放量子系统中量子非马尔可夫噪声的机器学习方法。
• 通过避免测量量子相干性或施加控制脉冲，降低实验复杂度。
• 仅利用单次系统演化的时间序列概率数据实现噪声分类。
• 通过在合成数据上进行事前训练，支持含噪声的近似容错量子（NISQ）设备中的噪声基准测试。
• 证明使用标准神经网络在最小实验开销下实现量子噪声分类的可行性。

提出的方法

• 本研究采用监督式二元分类方法，使用三种机器学习模型：支持向量机、多层感知机和循环神经网络。
• 模型在不同噪声条件下，基于量子随机游走形式生成的合成数据集上进行训练。
• 输入数据为量子系统在离散时间步长下占据特定位置或能量构型的时间序列概率。
• 该方法无需外部驱动或对量子相干性的测量，完全依赖于布居数数据。
• 通过在未见数据上验证模型，评估分类准确率与泛化性能。
• 训练过程在事前于合成数据上完成，使模型可直接部署于实验环境中实现实时应用。

实验结果

研究问题

• RQ1 仅使用布居概率数据，机器学习模型能否准确分类量子系统中的非马尔可夫噪声？
• RQ2 是否可能在不测量量子相干性或不施加控制脉冲的情况下实现可靠的噪声分类？
• RQ3 不同神经网络架构在区分量子动力学中马尔可夫与非马尔可夫噪声方面的有效性如何？
• RQ4 在合成数据上进行事前训练是否可实现实验场景中的准确分类？
• RQ5 实现有效量子系统噪声分类所需的最少实验测量集合是什么？

主要发现

• 所提出的机器学习模型仅使用单次量子系统演化的时间序列概率数据，即可对量子非马尔可夫噪声实现高分类准确率。
• 支持向量机、多层感知机和循环神经网络在区分马尔可夫与非马尔可夫噪声区域方面均表现出色。
• 该方法成功实现了无需测量量子相干性或外部控制脉冲的噪声分类。
• 该方法具有鲁棒性与可扩展性，因其仅依赖于系统演化单次实现的数据。
• 由于其仅依赖于最小且实验可获取的数据，该框架可直接应用于现有含噪声的近似容错量子设备的噪声基准测试。
• 在合成数据上进行事前训练，使该方法可无需大量实验校准即可部署于真实量子系统中。