실제 하드웨어를 위한 양자 노이즈 모델링의 퓨샷 크로스-디바이스 전송
요약
본 논문은 NISQ 시대에 하드웨어 고유 노이즈를 포함하는 실제 양자 장치에서 학습된 노이즈 모델을 다른 장치로 전송하는 퓨샷 크로스-디바이스 전송 학습 접근법을 제안합니다. 연구진은 두 IBM 양자 장치를 사용하여 대규모의 실제 하드웨어 데이터셋을 구축하고, 출처 장치에서 잔여 신경망(RNN)을 학습시켜 노이즈 결과를 이상 결과로 매핑했습니다. 그 결과, 소량의 파인튜닝 샘플만으로도 제로샷 전송 대비 상당한 성능 개선을 입증하며, 이는 크로스-디바이스 양자 오차 완화에 효과적인 방법론임을 보여줍니다.
핵심 포인트
- 소규모 데이터셋을 활용하여 한 양자 장치에서 학습된 노이즈 모델을 다른 장치로 전송하는 퓨샷 전이 학습 접근법을 제시함.
- 실제 IBM 양자 하드웨어 데이터를 사용하여 노이즈 및 이상 회로 출력 분포를 포함한 대규모 데이터셋을 구축함.
- 파인튜닝 샘플(K=20) 사용 시, 제로샷 대비 KL 발산 감소율 28.6%의 성능 개선을 달성하여 전송 학습의 효과를 입증함.
- 애블레이션 연구를 통해 장치 간 노이즈 불일치의 주요 원인이 CX 게이트 오차 및 리드아웃 오차임을 식별함.
노이즈 중간 규모 양자 (NISQ) 영역에서 양자 장치는 장치 불변 오차 완화 전략을 제한하는 하드웨어 고유의 노이즈 소스를 포함합니다. 우리는 소량의 데이터의 도움을 받아 한 양자 장치를 학습한 노이즈 모델을 다른 장치에 적용하기 위한 전송 학습 (transfer learning) 접근법을 탐구합니다. 우리는 ibm_fez (출처) 와 ibm_marrakesh (대상) 라는 두 개의 IBM 양자 장치에서 170 개 노이즈 및 이상 회로 출력 분포를 포함하고 장치 보정 기능이 추가된 실제 하드웨어 데이터셋을 생성합니다. 우리는 출처 장치에서 잔여 신경망 (residual neural network) 을 학습시켜 노이즈 결과를 이상 결과로 매핑합니다. 제로샷 전송 (zero-shot transfer) 테스트는 0.3014 에서 1.6706 으로 KL 발산을 보여주어 장치 특이성 (device specificity) 을 확립합니다. K = 20 개의 파인튜닝 샘플을 사용할 경우, KL 은 1.1924 로 감소하여 제로샷 대비 28.6% 의 개선을 보이며 제로샷과 도메인 내 (in-domain) KL 사이의 간격의 34.9% 를 회복합니다. 애블레이션 연구 (ablation studies) 는 장치 간 불일치의 주요 원인은 CX 게이트 오차이며 그 다음으로 리드아웃 (readout) 오차임을 보여줍니다. 이 결과는 양자 노이즈를 최소 샘플로 학습하고 파인튜닝할 수 있음을 보여주며, 크로스-디바이스 양자 오차 완화의 타당한 접근법을 제공합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기