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

要約

変分量子固有値解法(VQE)は、ハミルトニアンによって記述される量子系の基底状態を近似するために設計された、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、格子場の理論など様々な応用が期待されています。しかし、ノイジー中間量子(NISQ)デバイスが持つ固有のノイズは、VQEを実行する上で大きな課題となっている。 最近の研究では、VQEの古典的な最適化をガウス過程（GP）とベイズ最適化で強化することが提案された。このプロシーディングスでは、この新しいアルゴリズムに関するさらなる洞察を提供し、さらなる数値実験を提示する。特に、ハードウェアノイズとエラー緩和がアルゴリズムの性能に与える影響を検証する。これまでの研究では考慮されていなかった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シミュレーションを用いてアルゴリズムを検証する。我々の数値実験により、GP強化アルゴリズムが最先端のベースラインを凌駕することが実証され、これらの技術を実際の量子ハードウェアや格子場の理論セットアップに展開するための将来の研究の基礎が築かれた。

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, DeepL