[论文解读] Precise Image Generation on Current Noisy Quantum Computing Devices

Florian Rehm, S. Vallecorsa+4 more|arXiv (Cornell University)|Jan 1, 2023

Quantum Computing Algorithms and Architecture参考文献 33被引用 1

一句话总结

本文提出了量子角度生成器（QAG），一种全量子生成模型，利用带有角度编码的变分量子线路，在当前的噪声NISQ量子设备上实现了最先进的图像生成精度。该模型在模拟高能物理量能器簇射图像方面表现出极高的保真度，均方误差（MSE）低至0.00038，并对高达8%的硬件噪声和校准漂移表现出鲁棒性。

ABSTRACT

The Quantum Angle Generator (QAG) is a new full Quantum Machine Learning model designed to generate accurate images on current Noise Intermediate Scale (NISQ) Quantum devices. Variational quantum circuits form the core of the QAG model, and various circuit architectures are evaluated. In combination with the so-called MERA-upsampling architecture, the QAG model achieves excellent results, which are analyzed and evaluated in detail. To our knowledge, this is the first time that a quantum model has achieved such accurate results. To explore the robustness of the model to noise, an extensive quantum noise study is performed. In this paper, it is demonstrated that the model trained on a physical quantum device learns the noise characteristics of the hardware and generates outstanding results. It is verified that even a quantum hardware machine calibration change during training of up to 8% can be well tolerated. For demonstration, the model is employed in indispensable simulations in high energy physics required to measure particle energies and, ultimately, to discover unknown particles at the Large Hadron Collider at CERN.

研究动机与目标

• 开发一种全量子生成模型，能够在当前的噪声NISQ量子设备上实现高精度图像生成。
• 解决现有量子生成模型在保真度、可扩展性和硬件兼容性方面的局限性。
• 评估量子机器学习模型在真实高能物理模拟中对硬件噪声和校准变化的鲁棒性。
• 展示量子模型在加速大型强子对撞机（CERN）复杂模拟中的实际应用潜力。

提出的方法

• QAG模型采用具有线性扩展角度编码的变分量子线路，将经典图像数据（如量能器簇射能量）映射到量子态。
• 评估了多种电路架构——包括MERA、TTN和MERA-up变体——以比较性能与参数效率。
• MERA-up采样架构被确定为最优方案，兼具高保真度与适中的参数数量。
• 量子推理在真实IBM量子设备（ibmq montreal 和 ibm cairo）上执行，训练与评估均在物理硬件上完成。
• 通过平均簇射形状的MSE、能量总和直方图一致性（均值与标准差）以及相关性图来量化精度。
• 开展全面的量子噪声研究，评估模型在硬件噪声和校准变化（最高达8%）下的鲁棒性。

实验结果

研究问题

• RQ1 全量子生成模型是否能在当前的噪声NISQ设备上实现高精度图像生成？
• RQ2 在MERA、TTN和MERA-up三种量子电路架构中，哪一种在保真度与参数效率之间提供了最佳权衡？
• RQ3 QAG模型在真实量子设备上的硬件噪声和校准漂移下具有多强的鲁棒性？
• RQ4 QAG模型是否能以足够高的精度有效模拟高能物理探测器响应，从而替代或加速经典蒙特卡洛模拟？

主要发现

• MERA-up d2 Rz 架构实现最低MSE（0.00094 ± 0.0008），相关系数X为0.9999，能量保真度E为0.954。
• MERA-up Rz 架构以仅46个参数实现高精度（X = 0.9961，E = 0.926，MSE = 0.00047），是NISQ设备的实用选择。
• 在物理硬件（ibm cairo）上训练的模型正确再现了平均簇射图像与相关性模式，证实其有效学习了噪声特性。
• 模型在训练期间可容忍高达8%的硬件校准变化而性能未显著下降，展现出强大的鲁棒性。
• 仅含23个参数的MERA-up架构仍保持高性能（MSE = 0.00059，X = 0.9377，E = 0.894），可在经典硬件上实现高效训练。
• QAG模型在NISQ设备上的量子图像生成中达到最先进水平，其在保真度与实际应用性方面均优于现有模型，适用于真实世界的高能物理模拟。