[论文解读] QuEst: Graph Transformer for Quantum Circuit Reliability Estimation

Hanrui Wang, Pengyu Liu+11 more|arXiv (Cornell University)|Oct 30, 2022

Quantum Computing Algorithms and Architecture参考文献 52被引用 12

一句话总结

该论文提出 QuEst，一种图注意力网络模型，可在多项式时间复杂度下估算噪声环境下量子线路的保真度，避免了昂贵的指数级模拟。通过将线路表示为带有门和噪声特征的图，QuEst 在随机和算法线路测试中分别实现了 0.99 和 0.95 的 R² 分数，且相比模拟器实现超过 200 倍的速度提升，RMSE 仅为 0.04。

ABSTRACT

Among different quantum algorithms, PQC for QML show promises on near-term devices. To facilitate the QML and PQC research, a recent python library called TorchQuantum has been released. It can construct, simulate, and train PQC for machine learning tasks with high speed and convenient debugging supports. Besides quantum for ML, we want to raise the community's attention on the reversed direction: ML for quantum. Specifically, the TorchQuantum library also supports using data-driven ML models to solve problems in quantum system research, such as predicting the impact of quantum noise on circuit fidelity and improving the quantum circuit compilation efficiency. This paper presents a case study of the ML for quantum part. Since estimating the noise impact on circuit reliability is an essential step toward understanding and mitigating noise, we propose to leverage classical ML to predict noise impact on circuit fidelity. Inspired by the natural graph representation of quantum circuits, we propose to leverage a graph transformer model to predict the noisy circuit fidelity. We firstly collect a large dataset with a variety of quantum circuits and obtain their fidelity on noisy simulators and real machines. Then we embed each circuit into a graph with gate and noise properties as node features, and adopt a graph transformer to predict the fidelity. Evaluated on 5 thousand random and algorithm circuits, the graph transformer predictor can provide accurate fidelity estimation with RMSE error 0.04 and outperform a simple neural network-based model by 0.02 on average. It can achieve 0.99 and 0.95 R$^2$ scores for random and algorithm circuits, respectively. Compared with circuit simulators, the predictor has over 200X speedup for estimating the fidelity.

研究动机与目标

• 解决在含噪声的近似中等规模量子（NISQ）设备中高效估算量子线路保真度的挑战。
• 克服经典模拟成本随线路规模呈指数增长的问题，从而限制了大规模线路保真度评估的实用性。
• 实现数据驱动、快速且精确的可靠性估算，以支持稳健的量子线路设计与优化。
• 展示图神经网络在建模量子线路结构与噪声传播方面的有效性。
• 将所提方法集成至 TorchQuantum 库中，以促进更广泛的研究与应用。

提出的方法

• 将量子线路表示为图结构，其中门为节点，执行顺序定义边。
• 为每个节点编码特征，包括门类型、量子比特索引以及设备特定的噪声参数（如 T1、T2、门错误率）。
• 采用图注意力网络模型聚合节点表示，并基于图结构预测线路保真度。
• 在由随机和算法线路组成的大型数据集上训练模型，其保真度在含噪声模拟器和真实量子硬件上已预先评估。
• 使用过程层析保真度（PST）作为真实标签，其与保真度的斯皮尔曼等级相关系数高达 0.993，验证了其有效性。
• 通过消融实验分析特征重要性，并对超参数（如模型层数、测量次数）进行调优以优化模型性能。

实验结果

研究问题

• RQ1 图神经网络能否有效建模量子线路结构与噪声传播，以实现保真度预测？
• RQ2 包含特定节点特征（如量子比特索引、门类型、T1/T2）对预测精度有何影响？
• RQ3 模型深度（即注意力网络层数）以及测量次数对预测性能有何影响？
• RQ4 与经典电路模拟相比，所提方法在准确率与速度方面表现如何？
• RQ5 该模型能否在具有不同噪声特性的多种量子硬件后端（模拟器与真实设备）之间实现良好泛化？

主要发现

• 图注意力网络模型在测试集上平均 RMSE 为 0.04，其中在含噪声模拟器上为 0.0236，在 IBM Geneva 上为 0.0720。
• 相比简单的前馈神经网络，该模型在平均 RMSE 上提升了 0.02，证明了基于图的建模具有显著优势。
• R² 分数在随机线路中达到 0.99，在算法线路中达到 0.95，表明其具有强大的预测能力。
• 与经典模拟器相比，该模型实现超过 200 倍的速度提升，在 NVIDIA A100 GPU 上批量大小为 10 时甚至达到 1.7K 倍速度提升。
• 消融实验表明，若移除“量子比特索引”或“门类型”特征，性能显著下降，凸显其关键作用。
• 增加训练数据中的测量次数并未一致提升模型准确率，表明噪声的变异性限制了增加采样次数的收益。