Predictive Models from Quantum Computer Benchmarks

要約

量子コンピュータの総合的なベンチマークは、量子ハードウェアのパフォーマンスをテストして要約するために不可欠です。
ただし、アルゴリズム ベンチマークやランダム化ベンチマークなどの総合的なベンチマークでは、通常、ベンチマークの必然的に非常に限定されたテスト回路のセット以外の回路でのプロセッサのパフォーマンスは予測されません。
このペーパーでは、能力モデルを使用してベンチマーク データから予測モデルを構築するための一般的なフレームワークを紹介します。
能力モデルは、さまざまな種類のベンチマーク データに適合し、さまざまな予測タスクに使用できます。
この柔軟性を 2 つのケーススタディで実証します。
最初のケース スタディでは、エラー率モデルを 2 種類のボリューム ベンチマーク データにフィッティングすることにより、回路 (i) プロセス忠実度および (ii) 成功確率を予測します。
エラー率モデルは、個々のゲートまたはより一般的な回路コンポーネントに実効エラー率を割り当てる、単純ですが多用途の機能モデルです。
2 番目のケース スタディでは、画像分類用に訓練されたニューラル ネットワークである ResNet50 に転移学習を適用することで、回路の成功確率を予測する機能モデルを構築します。
私たちのケーススタディでは、クラウドからアクセス可能な量子コンピューターからのデータと、ノイズの多い量子コンピューターのシミュレーションを使用します。

要約(オリジナル)

Holistic benchmarks for quantum computers are essential for testing and summarizing the performance of quantum hardware. However, holistic benchmarks — such as algorithmic or randomized benchmarks — typically do not predict a processor’s performance on circuits outside the benchmark’s necessarily very limited set of test circuits. In this paper, we introduce a general framework for building predictive models from benchmarking data using capability models. Capability models can be fit to many kinds of benchmarking data and used for a variety of predictive tasks. We demonstrate this flexibility with two case studies. In the first case study, we predict circuit (i) process fidelities and (ii) success probabilities by fitting error rates models to two kinds of volumetric benchmarking data. Error rates models are simple, yet versatile capability models which assign effective error rates to individual gates, or more general circuit components. In the second case study, we construct a capability model for predicting circuit success probabilities by applying transfer learning to ResNet50, a neural network trained for image classification. Our case studies use data from cloud-accessible quantum computers and simulations of noisy quantum computers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google