What is my quantum computer good for? Quantum capability learning with physics-aware neural networks

要約

量子コンピューターは、量子化学、材料科学、機械学習など、多様な分野に革命をもたらす可能性があります。
ただし、現代の量子コンピューターは、Quantumプログラムが失敗することが多いエラーを経験します。
量子コンピューターが大規模な量子プログラムを確実に実行できるようになるまで、利害関係者は、Quantum Computerの能力を評価するための高速かつ信頼性の高い方法、それが実行できるプログラム、およびそれらをどれだけうまく実行できるかを必要とします。
以前は、これらのネットワークが実際の量子コンピューターのエラーを決定する複雑な量子物理学を学習できないため、既製のニューラルネットワークアーキテクチャが量子コンピューターの機能をモデル化するために使用されていましたが、成功は限られています。
この欠点は、学習能力モデルのための新しい量子物理的認識ニューラルネットワークアーキテクチャで対処します。
当社のアーキテクチャは、グラフニューラルネットワークの側面を、量子プログラムのエラーの物理学に効率的な近似と組み合わせています。
このアプローチは、畳み込みニューラルネットワークに基づいた最先端モデルで、実験データとシミュレートされた両方のデータで平均絶対誤差の最大$ \ sim50 \％$削減を達成します。

要約(オリジナル)

Quantum computers have the potential to revolutionize diverse fields, including quantum chemistry, materials science, and machine learning. However, contemporary quantum computers experience errors that often cause quantum programs run on them to fail. Until quantum computers can reliably execute large quantum programs, stakeholders will need fast and reliable methods for assessing a quantum computer’s capability-i.e., the programs it can run and how well it can run them. Previously, off-the-shelf neural network architectures have been used to model quantum computers’ capabilities, but with limited success, because these networks fail to learn the complex quantum physics that determines real quantum computers’ errors. We address this shortcoming with a new quantum-physics-aware neural network architecture for learning capability models. Our architecture combines aspects of graph neural networks with efficient approximations to the physics of errors in quantum programs. This approach achieves up to $\sim50\%$ reductions in mean absolute error on both experimental and simulated data, over state-of-the-art models based on convolutional neural networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google