A Machine Learning-Based Error Mitigation Approach For Reliable Software Development On IBM’S Quantum Computers

要約

量子コンピューターは、いくつかの複雑な計算問題については古典的なコンピューターよりも優れたパフォーマンスを発揮する可能性があります。
しかし、現在の量子コンピューター (IBM や Google など) には固有のノイズがあり、量子コンピューター上で実行される量子ソフトウェアの出力にエラーが発生し、量子ソフトウェア開発の信頼性に影響を及ぼします。
業界では、そのスケーラビリティと実用性を考慮して、機械学習 (ML) ベースのエラー軽減技術への関心が高まっています。
ただし、既存の ML ベースの技術には、特定のノイズ タイプや特定の量子回路のみをターゲットにするなどの制限があります。
この論文では、量子ソフトウェア出力のノイズエラーを軽減するための、新しい機能セットを備えた Q-LEAR と呼ばれる実用的な ML ベースのアプローチを提案します。
私たちは、すべて IBM 製の 8 台の量子コンピューターとそれに対応するノイズの多いシミュレーターで Q-LEAR を評価し、ベースラインとして採用された最先端の ML ベースのアプローチと Q-LEAR を比較しました。
結果は、ベースラインと比較して、Q-LEAR は実際の量子コンピューターとシミュレーターの両方でエラー軽減において平均 25% の改善を達成したことを示しています。
また、Q-LEAR の意義と実用性についても説明します。Q-LEAR は実務者にとって価値があると考えられます。

要約(オリジナル)

Quantum computers have the potential to outperform classical computers for some complex computational problems. However, current quantum computers (e.g., from IBM and Google) have inherent noise that results in errors in the outputs of quantum software executing on the quantum computers, affecting the reliability of quantum software development. The industry is increasingly interested in machine learning (ML)–based error mitigation techniques, given their scalability and practicality. However, existing ML-based techniques have limitations, such as only targeting specific noise types or specific quantum circuits. This paper proposes a practical ML-based approach, called Q-LEAR, with a novel feature set, to mitigate noise errors in quantum software outputs. We evaluated Q-LEAR on eight quantum computers and their corresponding noisy simulators, all from IBM, and compared Q-LEAR with a state-of-the-art ML-based approach taken as baseline. Results show that, compared to the baseline, Q-LEAR achieved a 25% average improvement in error mitigation on both real quantum computers and simulators. We also discuss the implications and practicality of Q-LEAR, which, we believe, is valuable for practitioners.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google