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.