[论文解读] QVECTOR: an algorithm for device-tailored quantum error correction

Peter D. Johnson, Jonathan Romero+3 more|arXiv (Cornell University)|Nov 7, 2017

Quantum Computing Algorithms and Architecture参考文献 51被引用 26

一句话总结

QVECTOR 提出了一种面向特定设备的量子纠错算法，利用变分量子线路在实际硬件噪声而非理想化噪声模型的基础上，优化编码与恢复操作。模拟结果表明，在相位阻尼下，该方法将有效 T₂ 延长六倍；在幅度与相位阻尼下，其性能优于五量子比特稳定子码，得益于对噪声相干性的利用。

ABSTRACT

Current approaches to fault-tolerant quantum computation will not enable useful quantum computation on near-term devices of 50 to 100 qubits. Leading proposals, such as the color code and surface code schemes, must devote a large fraction of their physical quantum bits to quantum error correction. Building from recent quantum machine learning techniques, we propose an alternative approach to quantum error correction aimed at reducing this overhead, which can be implemented in existing quantum hardware and on a myriad of quantum computing architectures. This method aims to optimize the average fidelity of encoding and recovery circuits with respect to the actual noise in the device, as opposed to that of an artificial or approximate noise model. The quantum variational error corrector (QVECTOR) algorithm employs a quantum circuit with parameters that are variationally-optimized according to processed data originating from quantum sampling of the device, so as to learn encoding and error-recovery gate sequences. We develop this approach for the task of preserving quantum memory and analyze its performance with simulations. We find that, subject to phase damping noise, the simulated QVECTOR algorithm learns a three-qubit encoding and recovery which extend the effective T2 of a quantum memory six-fold. Subject to a continuous-time amplitude- plus phase-damping noise model on five qubits, the simulated QVECTOR algorithm learns encoding and decoding circuits which exploit the coherence among Pauli errors in the noise model to outperform the five-qubit stabilizer code and any other scheme that does not leverage such coherence. Both of these schemes can be implemented with existing hardware.

研究动机与目标

• 解决近期内存在 50–100 个量子比特的设备中，主流稳定子码（如表面码和颜色码）物理量子比特开销过高的问题。
• 克服现有纠错方法依赖理想化或不准确噪声模型的局限性。
• 开发一种可直接在现有量子硬件上实现的实用、硬件集成型量子纠错方法。
• 通过针对实际设备特定噪声过程优化编码与恢复线路，降低纠错开销。
• 通过直接从量子采样中学习纠错逻辑操作，实现在近期设备中实现容错量子计算。

提出的方法

• 使用参数化量子线路（ansatz）联合优化量子存储的编码与恢复操作。
• 利用直接从量子设备采样得到的数据，通过变分优化训练电路，反映真实噪声。
• 针对设备实际噪声特性，优化编码与恢复过程的平均保真度。
• 利用量子机器学习技术，学习非 Pauli、设备特定的纠错方案，以利用噪声相干性。
• 将该算法应用于在相位阻尼和连续时间幅度与相位阻尼噪声模型下的三量子比特与五量子比特系统。
• 使用经典优化方法，基于量子采样获得的保真度估计更新电路参数。

实验结果

研究问题

• RQ1 变分量子算法能否学习到有效且设备特定的纠错码，使其性能优于标准稳定子码？
• RQ2 在近期量子设备中，能在多大程度上利用真实硬件噪声以降低纠错开销？
• RQ3 与理想化模型相比，针对实际设备噪声进行优化，是否能显著提升量子存储的相干性？
• RQ4 QVECTOR 算法是否可在无需完整容错架构的前提下，在现有量子硬件上实现？
• RQ5 在具有相干误差结构的真实噪声模型下，QVECTOR 与五量子比特稳定子码相比性能如何？

主要发现

• 在相位阻尼噪声下，QVECTOR 学习到一种三量子比特编码与恢复方案，使量子存储的有效 T₂ 延长六倍。
• 在连续时间幅度与相位阻尼噪声模型下，QVECTOR 通过利用噪声中 Pauli 误差之间的相干性，优于五量子比特稳定子码。
• QVECTOR 学习到的编码方案在平均保真度上优于任何未利用噪声模型相干性的方案。
• 该算法可在现有量子硬件上实现，无需新增门集或容错基础设施。
• QVECTOR 的代价函数景观对变分线路结构敏感，表明设计选择显著影响优化成功率。
• 该方法在学习纠错量子门方面展现出前景，通过变分码的级联，有望扩展至通用门集。