Machine-Learning-Enhanced Optimization of Noise-Resilient Variational Quantum Eigensolvers

要約

バリエーション量子固有層（VQES）は、ハミルトニアンによって記述された量子システムの地位を近似するように設計されたハイブリッド量子古典アルゴリズムの強力なクラスです。
VQEは、格子フィールド理論を含むさまざまなアプリケーションに対して有望です。
ただし、これらのアルゴリズムはノイズ、たとえば測定ショットノイズやハードウェアノイズの影響を受けやすいため、Noisy中級量の量子（NISQ）デバイスの固有のノイズはVQEを実行することに大きな課題をもたらします。
これらの機械学習技術はノイズの多いデータを処理するのに適しているため、最近の作業では、ガウスプロセス（GPS）とベイズの最適化を使用したVQEの古典的な最適化を強化することが提案されました。
これらの手続きでは、この新しいアルゴリズムに関する追加の洞察を提供し、さらに数値実験を提示します。
特に、アルゴリズムのパフォーマンスに対するハードウェアノイズとエラー軽減の影響を調べます。
以前の作品では考慮されていないハードウェアノイズベンチマークを含む量子ハードウェアの古典的なシミュレーションを使用して、アルゴリズムを検証します。
私たちの数値実験は、GP強化アルゴリズムが最先端のベースラインよりも優れていることを示しており、これらの手法を実際の量子ハードウェアと格子フィールド理論のセットアップに展開する将来の研究の基礎を築くことができます。

要約(オリジナル)

Variational Quantum Eigensolvers (VQEs) are a powerful class of hybrid quantum-classical algorithms designed to approximate the ground state of a quantum system described by its Hamiltonian. VQEs hold promise for various applications, including lattice field theory. However, the inherent noise of Noisy Intermediate-Scale Quantum (NISQ) devices poses a significant challenge for running VQEs as these algorithms are particularly susceptible to noise, e.g., measurement shot noise and hardware noise. In a recent work, it was proposed to enhance the classical optimization of VQEs with Gaussian Processes (GPs) and Bayesian Optimization, as these machine-learning techniques are well-suited for handling noisy data. In these proceedings, we provide additional insights into this new algorithm and present further numerical experiments. In particular, we examine the impact of hardware noise and error mitigation on the algorithm’s performance. We validate the algorithm using classical simulations of quantum hardware, including hardware noise benchmarks, which have not been considered in previous works. Our numerical experiments demonstrate that GP-enhanced algorithms can outperform state-of-the-art baselines, laying the foundation for future research on deploying these techniques to real quantum hardware and lattice field theory setups.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google