[论文解读] QuantumNAT: Quantum Noise-Aware Training with Noise Injection, Quantization and Normalization

Hanrui Wang, Jiaqi Gu+5 more|arXiv (Cornell University)|Oct 21, 2021

Quantum Computing Algorithms and Architecture参考文献 21被引用 8

一句话总结

QuantumNAT 是一种针对含噪中间规模量子（NISQ）设备上参数化量子线路（PQC）的噪声感知训练框架，通过三种关键技术提升鲁棒性：测量后归一化以校正噪声引起的分布偏移，使用硬件特定的错误模型在训练中注入噪声，以及测量后量化以去除噪声。该方法在真实量子硬件上的 8 个分类任务中实现了最高达 43% 的准确率提升，其中 2、4 和 10 类任务的准确率分别为 94%、80% 和 34%。

ABSTRACT

Parameterized Quantum Circuits (PQC) are promising towards quantum advantage on near-term quantum hardware. However, due to the large quantum noises (errors), the performance of PQC models has a severe degradation on real quantum devices. Take Quantum Neural Network (QNN) as an example, the accuracy gap between noise-free simulation and noisy results on IBMQ-Yorktown for MNIST-4 classification is over 60%. Existing noise mitigation methods are general ones without leveraging unique characteristics of PQC; on the other hand, existing PQC work does not consider noise effect. To this end, we present QuantumNAT, a PQC-specific framework to perform noise-aware optimizations in both training and inference stages to improve robustness. We experimentally observe that the effect of quantum noise to PQC measurement outcome is a linear map from noise-free outcome with a scaling and a shift factor. Motivated by that, we propose post-measurement normalization to mitigate the feature distribution differences between noise-free and noisy scenarios. Furthermore, to improve the robustness against noise, we propose noise injection to the training process by inserting quantum error gates to PQC according to realistic noise models of quantum hardware. Finally, post-measurement quantization is introduced to quantize the measurement outcomes to discrete values, achieving the denoising effect. Extensive experiments on 8 classification tasks using 6 quantum devices demonstrate that QuantumNAT improves accuracy by up to 43%, and achieves over 94% 2-class, 80% 4-class, and 34% 10-class classification accuracy measured on real quantum computers. The code for construction and noise-aware training of PQC is available in the TorchQuantum library.

研究动机与目标

• 为解决由于高噪声率（约 10^-3）导致的真实量子硬件上参数化量子线路（PQC）严重准确率下降的问题，其在 QNN 上的性能下降可超过 60%。
• 开发一种仅在训练和推理阶段运行的 PQC 专用噪声缓解框架，区别于仅在推理阶段应用的一般噪声缓解方法。
• 通过使用硬件特定的噪声模型在训练过程中模拟真实噪声，提升 PQC 参数的内在鲁棒性。
• 通过测量后量化减少测量噪声的影响，该方法将结果离散化，增强去噪效果。
• 提供一个实用的、硬件感知的训练流水线，可通过 TorchQuantum 库访问，适用于在真实量子计算机上部署。

提出的方法

• 测量后归一化通过在每个量子比特上对数据样本的测量结果应用线性变换（缩放与偏移），校正由量子噪声引起的特征分布偏移。
• 训练期间的噪声注入涉及根据 IBMQ 等量子计算厂商提供的真实噪声模型，在 PQC 中插入量子错误门（去极化、比特翻转、相位翻转），错误类型和概率通过迭代采样确定。
• 噪声注入过程集成到反向传播循环中，使模型能够学习对硬件特定噪声具有鲁棒性的参数。
• 测量后量化将连续的测量结果离散化为离散区间，降低对微小噪声波动的敏感性，增强去噪效果。
• 该框架以端到端三阶段流水线方式应用：(1) 推理时测量结果的归一化，(2) 注入噪声的训练，(3) 推理输出的量化。
• 该方法在 6 台真实量子设备上的 8 个分类任务中进行了评估，使用了具有不同架构和硬件配置的 QNN。

实验结果

研究问题

• RQ1 PQC 专用的噪声缓解框架是否能通过校正测量结果中的噪声诱导分布偏移，提升真实量子硬件上的模型准确率？
• RQ2 在训练期间注入硬件特定的量子噪声是否能增强 PQC 参数对真实设备错误的鲁棒性？
• RQ3 测量后量化在多大程度上能降低噪声敏感性并提升在含噪量子设备上的推理准确率？
• RQ4 QuantumNAT 的性能在分类复杂度增加时（如 2、4、10 类任务）如何变化？
• RQ5 当测试批次大小较小时，能否有效利用验证集统计量对测试时测量结果进行归一化？

主要发现

• QuantumNAT 在真实量子硬件上的 8 项任务中，准确率最高提升 43%，其中 10 类分类任务的相对提升最大，达 230%。
• 在 2 类任务中，QuantumNAT 在真实设备上实现 94% 的准确率，显著优于基线的 58%。
• 在 4 类分类任务中，该方法达到 80% 的准确率，较基线的 31% 提升 26 个百分点。
• 在 10 类任务中，QuantumNAT 达到 34% 的准确率，较基线的 10% 提升 23 个百分点。
• 使用验证集统计量进行归一化可达到与使用测试集统计量相当的准确率（0.65 vs. 0.67），验证了其在小批次部署场景中的有效性。
• 该框架在多种量子设备（如 IBMQ-Santiago、Yorktown、Belem、Athens、Melbourne）上均表现出一致的性能增益，证实了其硬件无关但设备感知的设计。