[论文解读] Machine Learning for Practical Quantum Error Mitigation

Haoran Liao, Derek S. Wang+4 more|arXiv (Cornell University)|Sep 29, 2023

Quantum Computing Algorithms and Architecture被引用 10

一句话总结

本文表明，经典机器学习模型在降低运行时开销的同时能够缓解量子误差，在多达100量子比特的电路上实现近无噪声的结果，并且在各种情景中能够模仿或超越标准的量子误差消除技术。

ABSTRACT

Quantum computers progress toward outperforming classical supercomputers, but quantum errors remain their primary obstacle. The key to overcoming errors on near-term devices has emerged through the field of quantum error mitigation, enabling improved accuracy at the cost of additional run time. Here, through experiments on state-of-the-art quantum computers using up to 100 qubits, we demonstrate that without sacrificing accuracy machine learning for quantum error mitigation (ML-QEM) drastically reduces the cost of mitigation. We benchmark ML-QEM using a variety of machine learning models -- linear regression, random forests, multi-layer perceptrons, and graph neural networks -- on diverse classes of quantum circuits, over increasingly complex device-noise profiles, under interpolation and extrapolation, and in both numerics and experiments. These tests employ the popular digital zero-noise extrapolation method as an added reference. Finally, we propose a path toward scalable mitigation by using ML-QEM to mimic traditional mitigation methods with superior runtime efficiency. Our results show that classical machine learning can extend the reach and practicality of quantum error mitigation by reducing its overheads and highlight its broader potential for practical quantum computations.

研究动机与目标

• 在近端设备上动机与评估量子误差消除（QEM）的可行性。
• 评估一组广泛的 ML 模型，用于从带噪声的 QPU 输出中预测无噪声的期望值。
• 在多样的电路类别和噪声特征下，将 ML-QEM 的性能与传统 QEM 方法进行对比。
• 通过在真实硬件上对大型100量子比特电路模仿传统 QEM 方法来展示可扩展性。

提出的方法

• 定义 ML-QEM 工作流：编码器从电路和目标 QPU 产生特征，训练的模型将带噪声的期望值映射到缓解后的期望值。
• 评估四种 ML 模型：线性回归（OLS）、随机森林（RF）、多层感知机（MLP）和图神经网络（GNN）。
• 在可处理规模的仿真或硬件提供的目标上训练模型；在运行时预测缓解后的数值，而无需额外的缓解电路。
• 基准对比数字零噪声外推（ZNE），并分析运行时开销。
• 通过 RF 在100量子比特电路上模仿 ZNE 以降低开销，展示可扩展性。
• 将 ML-QEM 应用于未见的 Pauli 可观测量以及变分量子本征值求解（VQE）情景。

实验结果

研究问题

• RQ1 ML-QEM 能否在不同电路类别和噪声模型下实现与传统 QEM 相当或更好的缓解精度？
• RQ2 哪种 ML 模型在最小化运行时开销的同时能最好地缓解量子误差，并且对未见观测量的泛化能力如何？
• RQ3 ML-QEM 能否通过模仿现有 QEM 方法或直接学习来扩展到大型、实验相关的电路？
• RQ4 在具有不同噪声谱的情况下，ML-QEM 在插值与外推中的表现如何？
• RQ5 能否将 ML-QEM 集成到 VQE 工作流程中，在优化期间降低缓解开销？

主要发现

• 随机森林在随机电路中对 Pauli-Z 可观测量的缓解效果明显优于其他 ML 模型。
• 所有 ML-QEM 模型（包括线性回归）在与 ZNE 的竞争性性能下，至少将运行时开销降低了两倍。
• 基于 RF 的 ML-QEM 在以少量观测量进行训练时，对未见 Pauli 可观测量的缓解开销低于 ZNE。
• 在 IBM 设备的硬件实验中，RF 的总体开销约低30%，运行时开销低50% 相对于 ZNE。
• 在100量子比特电路上模仿 ZNE 的 RF 实现达到类似的缓解结果，但总体开销约低25%，运行时开销低50%。
• ML-QEM 可以显著改进变分量子本征值求解的能量估计，在本例中误差比 ZNE 小一个数量级。
• 模仿学习使得扩展到经典不可实现的电路成为可能，通过学习再现传统 QEM 方法的输出，同时降低运行时要求。