Core Concepts
양자 컴퓨터의 고유한 노이즈로 인해 양자 소프트웨어 출력의 신뢰성이 저하되는 문제를 해결하기 위해 기계 학습 기반의 실용적인 오류 완화 접근법인 Q-LEAR를 제안한다.
Abstract
이 논문은 IBM의 양자 컴퓨터와 시뮬레이터에서 양자 소프트웨어 출력의 신뢰성을 높이기 위한 기계 학습 기반 오류 완화 접근법인 Q-LEAR를 제안한다.
먼저, 양자 컴퓨터의 고유한 노이즈가 양자 소프트웨어 출력의 정확성에 미치는 영향을 설명한다. 기존의 오류 완화 기법들은 특정 노이즈 유형이나 특정 양자 회로에만 적용 가능한 한계가 있다.
Q-LEAR는 새로운 특징 집합을 제안하여 양자 소프트웨어 출력의 노이즈 오류를 완화한다. 이 특징 집합에는 회로 깊이 절단 프로그램 오류(Dpe)가 포함되어 있는데, 이는 양자 회로의 가역성을 활용하여 노이즈 영향을 더 정확하게 측정할 수 있다.
Q-LEAR를 8개의 IBM 양자 컴퓨터와 해당 노이즈 시뮬레이터에 적용하여 평가했다. 결과적으로 Q-LEAR는 기존 최신 기법 대비 실제 양자 컴퓨터와 시뮬레이터에서 평균 25% 향상된 오류 완화 성능을 보였다. 이는 Q-LEAR가 양자 컴퓨터의 노이즈 패턴을 효과적으로 포착할 수 있음을 보여준다.
Stats
양자 컴퓨터의 노이즈로 인해 W 상태 양자 회로의 이상적인 출력과 실제 출력 간 헬링거 거리(Hellinger distance)가 0.2로 나타났다.
양자 회로 깊이가 증가할수록 노이즈의 영향이 커진다.
양자 회로의 단일 및 2큐비트 게이트 수가 증가할수록 노이즈의 영향이 커진다.
Quotes
"양자 컴퓨터는 일부 복잡한 계산 문제에서 고전 컴퓨터를 능가할 잠재력을 가지고 있다."
"현재 양자 컴퓨터(예: IBM 및 Google)에는 출력에 오류를 유발하는 고유한 노이즈가 있어 양자 소프트웨어 개발의 신뢰성에 영향을 미친다."