Learning a quantum computer’s capability

要約

量子コンピューターの機能 (どの回路を実行できるか、どの程度うまく実行できるか) を正確に予測することは、量子の特性評価とベンチマークの基本的な目標です。
最新の量子コンピューターのシミュレーションはますます困難になっているため、研究者や関係者がどの量子コンピューターを構築して使用するかを決定できるように、正確でスケーラブルな予測機能モデルを開発する必要があります。
この研究では、ほぼすべてのクラスの回路に対する量子コンピューターの機能のスケーラブルな予測モデルを効率的に構築するハードウェアに依存しない方法を提案し、畳み込みニューラル ネットワーク (CNN) を使用してその方法を実証します。
当社の CNN ベースのアプローチは、回路を 3 次元テンソルとして効率的に表現し、CNN を使用してその成功率を予測することで機能します。
当社の CNN 能力モデルは、マルコフ確率的パウリ誤差と非マルコフ確率的パウリ誤差の両方が発生するプロセッサをモデル化するときに、平均絶対予測誤差約 $1\%$ を取得します。
また、CNN をクラウド アクセス量子コンピューティング システムの機能のモデル化に適用し、中程度の予測精度 (平均絶対誤差約 $2-5\%$) を取得し、より優れたニューラル ネットワーク機能モデルを構築するための課題を強調します。

要約(オリジナル)

Accurately predicting a quantum computer’s capability — which circuits it can run and how well it can run them — is a foundational goal of quantum characterization and benchmarking. As modern quantum computers become increasingly hard to simulate, we must develop accurate and scalable predictive capability models to help researchers and stakeholders decide which quantum computers to build and use. In this work, we propose a hardware-agnostic method to efficiently construct scalable predictive models of a quantum computer’s capability for almost any class of circuits, and demonstrate our method using convolutional neural networks (CNNs). Our CNN-based approach works by efficiently representing a circuit as a three-dimensional tensor and then using a CNN to predict its success rate. Our CNN capability models obtain approximately a $1\%$ average absolute prediction error when modeling processors experiencing both Markovian and non-Markovian stochastic Pauli errors. We also apply our CNNs to model the capabilities of cloud-access quantum computing systems, obtaining moderate prediction accuracy (average absolute error around $2-5\%$), and we highlight the challenges to building better neural network capability models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google