Machine Learning-based Quantum Error Mitigation for Variational Algorithms

Cet article propose un protocole pratique d'atténuation des erreurs quantiques basé sur l'apprentissage automatique qui utilise des circuits (quasi-)Clifford simulés pour générer des données d'entraînement, permettant une suppression efficace des erreurs et une performance supérieure à l'extrapolation de bruit nul pour les algorithmes quantiques variationnels sur les dispositifs quantiques de taille intermédiaire bruités.

L'essentiel

La vue d'ensemble : Réparer un ordinateur quantique bruyant

Imaginez que vous possédez un ordinateur quantique flambant neuf et incroyablement puissant. C'est comme un chef super intelligent capable de cuisiner des plats complexes (résoudre des problèmes difficiles) qu'aucune cuisine normale ne peut gérer. Cependant, il y a un hic : la cuisine est actuellement en travaux. Les lumières scintillent, la cuisinière fait des ratés et le chef n'arrête pas de faire tomber des ingrédients. C'est ce que les scientifiques appellent un dispositif NISQ (Noisy Intermediate-Scale Quantum ou quantique à échelle intermédiaire et bruyant).

À cause de ce « bruit », le plat final du chef (la réponse à un problème) a souvent un goût un peu étrange. Le papier propose une nouvelle façon de corriger le goût du plat sans reconstruire la cuisine ni attendre d'avoir un équipement parfait. Ils appellent cela l'Atténuation d'erreurs quantiques basée sur l'apprentissage automatique (ML-QEM).

Le problème : Comment apprendre à un ordinateur à corriger le bruit ?

Pour corriger un résultat bruyant, vous devez généralement savoir à quoi ressemble le résultat « parfait » afin de pouvoir comparer les deux.

• L'ancienne méthode : Certaines méthodes tentent de mesurer directement le bruit (comme essayer de cartographier chaque scintillement de l'ampoule). C'est difficile et lent.
• La nouvelle méthode (ce papier) : Les auteurs utilisent l'Apprentissage Automatique (Machine Learning). Voyez cela comme l'embauche d'un « testeur de goût » IA. Vous donnez à l'IA des milliers d'exemples de « mauvais plats » (résultats bruyants) et de « plats parfaits » (résultats idéaux). L'IA apprend le schéma de la manière dont le bruit gâche la saveur et construit une « recette de correction ».

Le hic : Vous ne pouvez pas donner de plats parfaits à l'IA à partir de l'ordinateur quantique réel pour le moment, car l'ordinateur est trop bruyant. Et vous ne pouvez pas simuler des plats parfaits sur un ordinateur classique pour les gros problèmes, car ils sont trop complexes.

La solution : Le raccourci « Clifford »

Les auteurs ont trouvé une astuce ingénieuse. Au lieu d'essayer de simuler toute la recette quantique complexe, ils ont utilisé un type spécial de manipulation mathématique appelée circuits de Clifford.

• L'analogie : Imaginez que vous voulez apprendre à un étudiant comment cuisiner un gâteau de mariage complexe. Au lieu de cuire tout le gâteau (ce qui prend trop de temps et pourrait échouer), vous cuisinez des crêpes simples et plates qui utilisent les mêmes ingrédients et techniques de base.
• L'astuce : Ces « crêpes » (circuits de Clifford) sont assez simples pour qu'un ordinateur classique puisse les simuler parfaitement. Les auteurs ont généré des milliers de ces « crêpes » simples et parfaites, ainsi que leurs versions bruyantes, pour entraîner leur IA.
• La magie : Même si les données d'entraînement étaient simples, l'IA a appris les « règles générales du bruit ». Lorsqu'ils l'ont testée sur le « gâteau de mariage » complexe (l'algorithme quantique réel qu'ils voulaient résoudre), l'IA pouvait toujours corriger les erreurs efficacement.

Comment ils l'ont testé

Ils ont testé cette méthode sur un problème spécifique appelé VQE (Variational Quantum Eigensolver ou solveur quantique variationnel), qui est utilisé pour trouver l'état d'énergie le plus bas d'une molécule (comme trouver la forme la plus stable d'une molécule).

• La configuration : Ils ont simulé un ordinateur quantique avec jusqu'à 12 qubits (les unités de base de l'information quantique) et ont introduit trois types différents de « bruit » (comme des parasites sur une radio, des bugs aléatoires, ou un mélange des deux).
• La comparaison : Ils ont comparé leur nouvelle méthode d'IA à une méthode standard appelée ZNE (Zero-Noise Extrapolation ou extrapolation de bruit nul). La ZNE, c'est comme essayer de deviner le goût parfait en cuisinant le plat à 100 % de volume, 200 % de volume et 300 % de volume, puis en devinant quel serait son goût à 0 % de volume.

Les résultats

1. Cela fonctionne très bien : La méthode de l'IA a réussi à nettoyer les résultats bruyants, réduisant les erreurs de plusieurs fois (parfois jusqu'à 8 fois mieux) à travers presque tous les tests.
2. Meilleure dans un bruit élevé : Lorsque le bruit était très fort (la cuisine était vraiment chaotique), la méthode de l'IA était bien meilleure que la méthode standard ZNE. La ZNE avait du mal quand le bruit devenait trop fort, mais l'IA continuait de fonctionner.
3. Les données d'entraînement comptent : Ils ont découvert que l'entraînement de l'IA sur des données « quasi-Clifford » légèrement plus complexes (des crêpes avec un petit peu d'épices en plus) fonctionnait mieux que les données super simples.
4. Quand appliquer la correction : Ils ont testé deux façons d'utiliser la correction :
   • Pendant la cuisson : Corriger le goût pendant que le chef décide comment cuisiner.
   • Après la cuisson : Corriger le goût une fois que le plat est dressé.
   • La conclusion : Peu importe la méthode utilisée, le résultat final est le même. Cependant, corriger après est plus rapide et plus facile, c'est donc l'approche recommandée.

L'essentiel à retenir

Ce papier montre que nous n'avons pas besoin d'attendre des ordinateurs quantiques parfaits et sans erreur pour obtenir de bons résultats. En utilisant une IA intelligente entraînée sur des exemples simulés simples, nous pouvons « nettoyer » les résultats désordonnés des machines bruyantes d'aujourd'hui. C'est comme avoir un éditeur super intelligent qui peut corriger un manuscrit brouillon même s'il n'a jamais vu l'auteur original écrire, simplement en étudiant des milliers d'autres brouillons.

Point clé : Cette méthode est pratique pour les ordinateurs quantiques actuels et fonctionne mieux que les méthodes standards actuelles lorsque les machines sont très bruyantes.

Résumé technique

Résumé technique : Atténuation d'erreurs quantiques basée sur l'apprentissage automatique pour les algorithmes variationnels

Énoncé du problème
Les dispositifs actuels de l'ère NISQ (Noisy Intermediate Scale Quantum) souffrent de temps de cohérence limités et d'infidélités de porte, ce qui affecte négativement les performances des algorithmes quantiques variationnels (VQA) tels que le VQE (Variational Quantum Eigensolver). Bien que la correction d'erreurs quantiques (QEC) offre une solution à long terme, elle nécessite actuellement des capacités matérielles hors de portée. L'atténuation d'erreurs quantiques (QEM) sert d'alternative à court terme en récupérant des valeurs d'espérance sans bruit par post-traitement plutôt que par suppression physique.

Les approches existantes de ML-QEM (atténuation d'erreurs par apprentissage automatique) font face à deux limitations principales :

1. Applicabilité restreinte : De nombreuses méthodes sont adaptées à des circuits à paramètres fixes, ce qui limite leur utilité pour les algorithmes variationnels où les paramètres changent dynamiquement.
2. Rareté des données : L'entraînement de modèles de ML nécessite des données sans bruit (« idéales »), ce qui est difficile à obtenir pour de grands circuits quantiques paramétrés via la simulation classique. Bien que les circuits (quasi-)Clifford puissent être simulés efficacement, les travaux précédents ont souvent restreint leur portée à des instances à paramètres fixes.

Méthodologie
Les auteurs proposent un protocole de ML-QEM pratique conçu spécifiquement pour les circuits variationnels. Le flux de travail central comprend :

1. Génération de jeux de données via des circuits (quasi-)Clifford :

   • Au lieu de simuler le circuit variationnel cible (ce qui est classiquement intraitable pour de grands $n$), les auteurs génèrent des données d'entraînement en simulant des circuits où les rotations mono-qubit paramétrées du ansatz cible sont remplacées par des portes Clifford échantillonnées aléatoirement.
   • Pour élargir la couverture de l'espace de Hilbert, ils introduisent également des circuits « quasi-Clifford » en plaçant une couche d'unitaires de Haar aléatoires au début du circuit, appliqués de manière probabiliste pour contrôler le nombre de portes non-Clifford.
   • Cette approche permet de générer un ensemble de données $\{P_{noisy}, P_{ideal}\}$ où $P$ représente le vecteur des valeurs d'espérance des chaînes de Pauli, sans avoir besoin de simuler les paramètres variationnels spécifiques du problème cible.

2. Sélection et entraînement du modèle :

   • La tâche est formulée comme l'apprentissage d'une application $f_\phi$ des chaînes de Pauli bruitées vers leurs homologues sans bruit.
   • Plusieurs modèles de régression ont été testés, notamment la régression linéaire (Ridge), les forêts aléatoires (Random Forest), les SVM, les KNN, les MLP et XGBoost.
   • La régression Ridge (avec Standard Scaler) et XGBoost se sont révélés être les plus performants. La régression Ridge a démontré une stabilité et une suppression d'erreur supérieures dans la plupart des régimes, grâce à sa forte régularisation empêchant le surapprentissage sur des données limitées. XGBoost a montré une supériorité occasionnelle dans les régimes de bruit élevé, probablement en raison de sa capacité à capturer les effets de bruit non linéaires.

3. Intégration dans le VQE :

   • L'étude examine deux régimes d'intégration : l'atténuation dans la boucle (application de la correction ML pendant le processus d'optimisation) et l'atténuation post-optimisation (application de la correction uniquement après l'optimisation des paramètres).
   • Des expériences numériques sur l'Hamiltonien de Sherrington-Kirkpatrick (SK) (jusqu'à $n=12$ qubits) ont révélé que le bruit ne déforme pas de manière significative la géométrie globale du paysage de coût. Par conséquent, l'atténuation post-optimisation s'est avérée aussi efficace que l'atténuation dans la boucle, tout en étant plus efficace sur le plan computationnel.

Résultats clés
Le protocole proposé a été testé par rapport à la méthode standard d'extrapolation du bruit nul (ZNE) en utilisant trois modèles de bruit : le bruit de dépolarisation, de Pauli et composite.

• Suppression d'erreur : Le protile ML-QEM a obtenu une suppression d'erreur constante dans tous les réglages testés. Dans le régime de bruit faible à modéré, la régression Ridge entraînée sur des données quasi-Clifford a fourni les meilleures performances, réduisant souvent les erreurs d'un ordre de grandeur.
• Régime de bruit élevé : Dans les scénarios de bruit élevé, XGBoost a occasionnellement surpassé la régression Ridge, particulièrement pour le bruit de dépolarisation et de Pauli, suggérant que les modèles non linéaires capturent mieux les interactions de bruit complexes dans ces conditions spécifiques.
• Comparaison avec ZNE :
  • Dans les régimes de faible bruit, ZNE a généralement surpassé l'approche ML-QEM.
  • Cependant, à mesure que l'intensité du bruit augmentait, les performances de ZNE se dégradaient, tandis que la méthode ML-QEM restait robuste. Dans les régimes de bruit élevé, le protocole ML-QEM proposé est devenu comparable ou supérieur à ZNE.
• Transférabilité : Les modèles entraînés ont démontré la capacité de se transférer à travers différents Hamiltoniens cibles ayant des structures d'intrication similaires (spécifiquement l'ansatz TwoLocal), validant l'applicabilité de l'approche à des paramètres variationnels arbitraires.

Signification et affirmations
L'article affirme fournir un cadre pratique pour la ML-QEM qui surmonte le goulot d'étranglement de l'acquisition de données en exploitant des circuits (quasi-)Clifford facilement simulables. Les auteurs soutiennent que leur méthode :

1. Génère un modèle d'atténuation généralisable : Le modèle est entraîné sur des circuits à structure fixe mais corrige avec succès des circuits variationnels avec des paramètres arbitraires.
2. Offre une robustesse : Elle fournit une suppression d'erreur constante et de plusieurs ordres de grandeur, excellant particulièrement dans les environnements à bruit élevé où la ZNE traditionnelle peine.
3. Optimise le flux de travail : Elle établit que l'atténuation post-optimisation est suffisante pour les réglages testés, évitant ainsi la surcharge computationnelle liée à l'intégration des corrections ML dans la boucle d'optimisation.

L'étude conclut que ce protocole est applicable aux processeurs NISQ actuels, offrant une voie viable pour améliorer les performances des VQA sans nécessền de pleine tolérance aux fautes ou d'une tomographie de bruit étendue.