Quantum Circuit Fidelity Improvement with Long Short-Term Memory Networks

要約

量子コンピューティングは、ノイズを伴う中規模量子 (NISQ) の時代に突入しました。
現在、私たちが持っている量子プロセッサは、放射線や温度などの環境変数に敏感であるため、ノイズの多い出力を生成します。
NISQ プロセッサには多くの提案されたアルゴリズムとアプリケーションが存在しますが、ノイズの多い結果を解釈する際にはまだ不確実性に直面しています。
具体的には、出力として選択している量子状態にどの程度の信頼があるでしょうか?
NISQ コンピューターはその量子ビット測定値の確率分布を出力するため、この信頼性は重要であり、分布が意味のある計算を表しているのか、単なるランダム ノイズを表しているのかを区別するのが難しい場合があります。
この論文では、量子回路の忠実度予測を時系列予測問題としてフレーミングすることにより、この問題に対処するための新しいアプローチを提示します。これにより、Long Short-Term Memory (LSTM) ニューラル ネットワークの機能を利用できるようになります。
量子回路の忠実度を計算する直感的な方法を含め、トレーニング回路データセットと LSTM アーキテクチャを構築するための完全なワークフローが導入されています。
トレーニング済みの LSTM システムである Q-fid は、ハードウェアのキャリブレーション データやゲート エラー率を個別に入力する必要なく、特定のプロセッサで実行されている量子回路の出力忠実度を予測できます。
QASMbench NISQ ベンチマーク スイートで評価された Q-fid の予測は、平均 RMSE 0.0515 を達成し、デフォルトの Qiskit トランスパイル ツール mapomatic より最大 24.7 倍正確です。
Q-fid を使用して、利用可能な回路変換から忠実度の高い回路レイアウトを見つけると、上位 10% のレイアウトの忠実度を平均 RMSE 0.0252 で予測し、mapomatic よりも最大 32.8 倍正確です。

要約(オリジナル)

Quantum computing has entered the Noisy Intermediate-Scale Quantum (NISQ) era. Currently, the quantum processors we have are sensitive to environmental variables like radiation and temperature, thus producing noisy outputs. Although many proposed algorithms and applications exist for NISQ processors, we still face uncertainties when interpreting their noisy results. Specifically, how much confidence do we have in the quantum states we are picking as the output? This confidence is important since a NISQ computer will output a probability distribution of its qubit measurements, and it is sometimes hard to distinguish whether the distribution represents meaningful computation or just random noise. This paper presents a novel approach to attack this problem by framing quantum circuit fidelity prediction as a Time Series Forecasting problem, therefore making it possible to utilize the power of Long Short-Term Memory (LSTM) neural networks. A complete workflow to build the training circuit dataset and LSTM architecture is introduced, including an intuitive method of calculating the quantum circuit fidelity. The trained LSTM system, Q-fid, can predict the output fidelity of a quantum circuit running on a specific processor, without the need for any separate input of hardware calibration data or gate error rates. Evaluated on the QASMbench NISQ benchmark suite, Q-fid’s prediction achieves an average RMSE of 0.0515, up to 24.7x more accurate than the default Qiskit transpile tool mapomatic. When used to find the high-fidelity circuit layouts from the available circuit transpilations, Q-fid predicts the fidelity for the top 10% layouts with an average RMSE of 0.0252, up to 32.8x more accurate than mapomatic.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google