Machine Learning-based Quantum Error Mitigation for Variational Algorithms

이 논문은 시뮬레이션된 (근-)클리포드 회로를 사용하여 훈련 데이터를 생성함으로써, 노이즈가 있는 중간 규모 양자 장치에서 변분 양자 알고리즘에 대해 제로 노이즈 외삽법보다 우수한 성능과 효과적인 오류 억제를 가능하게 하는 실용적인 머신러닝 기반 양자 오류 완화 프로토콜을 제안한다.

핵심

개요: 노이즈가 심한 양자 컴퓨터를 고치는 방법

당신에게 아주 새롭고 믿을 수 없을 정도로 강력한 양자 컴퓨터가 있다고 상상해 보세요. 이것은 마치 일반적인 주방에서는 다룰 수 없는 복잡한 요리(어려운 문제 해결)를 할 수 있는 매우 똑똑한 셰프와 같습니다. 하지만 문제가 하나 있습니다. 현재 주방이 공사 중이라는 점입니다. 불빛은 깜빡거리고, 가스레인지는 툭툭 끊기며, 셰프는 재료를 자꾸 떨어뜨립니다. 과학자들은 이것을 NISQ(노이즈가 있는 중간 단계 양자) 장치라고 부릅니다.

이러한 "노이즈" 때문에, 셰프가 만든 최종 요리(문제의 정답)는 종종 맛이 이상해집니다. 이 논문은 주방을 새로 짓거나 완벽한 장비를 기다리는 대신, 요리의 맛을 고칠 수 있는 새로운 방법을 제안합니다. 그들은 이를 **머신러 러닝 기반 양자 오류 완화(ML-QEM)**라고 부릅니다.

문제점: 컴퓨터에게 노이즈를 고치는 법을 어떻게 가르칠 것인가?

노이즈가 섞인 결과를 고치려면, 보통 무엇이 "완벽한" 결과인지 알아야 두 가지를 비교할 수 있습니다.

• 기존 방식: 어떤 방법들은 노이즈를 직접 측정하려고 시 합니다(마치 전구의 깜빡임 하나하나를 모두 기록하려는 것과 같습니다). 이는 어렵고 느립니다.
• 새로운 방식 (이 논문): 저자들은 머신 러닝을 사용합니다. 이것을 "맛을 보는 AI"를 고용하는 것이라고 생각하면 됩니다. 당신은 AI에게 수천 개의 "맛없는 요리"(노이즈가 섞인 결과)와 "완벽한 요리"(이상적인 결과)의 예시를 제공합니다. 그러면 AI는 노이즈가 어떻게 맛을 망치는지 그 패턴을 학습하고 "교정 레시피"를 만들어냅니다.

걸림돌: 현재의 실제 양자 컴퓨터로는 AI에게 완벽한 요리를 먹일 수 없습니다. 컴퓨터가 너무 노이즈가 심하기 때문입니다. 또한, 일반 컴퓨터로는 매우 복잡한 큰 문제를 위한 완벽한 요리를 시뮬레이션할 수 없습니다. 너무 복잡하기 때문입니다.

해결책: "클리포드(Clifford)"라는 지름길

저자들은 영리한 우회 방법을 찾아냈습니다. 전체의 복잡한 양자 레시피를 시뮬레이션하는 대신, **클리포드 회로(Clifford circuits)**라고 불리는 특별한 수학적 트릭을 사용했습니다.

• 비유: 당신이 학생에게 복잡한 웨딩 케이크를 굽는 법을 가르치고 싶다고 가정해 봅시다. 케이크 전체를 만드는 대신(시간이 너무 오래 걸리고 실패할 수도 있으므로), 같은 기본 재료와 기술을 사용하는 간단하고 평평한 팬케이크를 굽는 것입니다.
• 트릭: 이 "팬케이크"(클리포드 회로)는 일반 컴퓨터로도 완벽하게 시뮬레이션할 수 있을 만큼 간단합니다. 저자들은 이 수천 개의 간단하고 완벽한 "팬케이크"와 그 노이즈가 섞인 버전을 생성하여 AI를 훈련시켰습니다.
• 마법: 훈련 데이터는 단순했지만, AI는 일반적인 "노이즈의 규칙"을 학습했습니다. 그들이 실제 해결하고자 했던 복잡한 "웨딩 케이크"(실제 양자 알고리즘)에 이 AI를 테스트했을 때, AI는 여전히 오류를 효과적으로 교정할 수 있었습니다.

테스트 방법

그들은 분자의 가장 안정적인 형태(가장 낮은 에너지 상태)를 찾는 데 사용되는 VQE(변분 양자 고유치 계산기)라는 특정 문제를 통해 이 방법을 테스트했습니다.

• 설정: 최대 12개의 큐비트(양자 정보의 기본 단위)를 가진 양자 컴퓨터를 시뮬레이션하고 세 가지 다른 유형의 "노이즈"(라디오의 잡음, 무작위 글리치, 또는 이들의 혼합)를 도입했습니다.
• 비교: 그들은 자신들의 새로운 AI 방식과 ZNE(Zero-Noise Extrapolation)라고 불리는 표준 방식을 비교했습니다. ZNE는 요리를 100% 볼륨, 200% 볼륨, 300% 볼륨으로 조리한 뒤, 0% 볼륨일 때는 어떤 맛이 날지 추측하는 것과 같습니다.

결과

1. 매우 효과적임: AI 방식은 노이즈가 섞인 결과를 성공적으로 정화했으며, 거의 모든 테스트에서 오류를 몇 배(때로는 최대 8배까지) 줄였습니다.
2. 높은 노이즈에서 더 뛰어남: 노이즈가 매우 심할 때(주방이 정말 혼란스러울 때), AI 방식은 표준 방식인 ZNE보다 훨씬 뛰어났습니다. ZNE는 노이즈가 너무 커지면 어려움을 겪었지만, AI는 계속 작동했습니다.
3. 훈련 데이터의 중요성: 저자들은 약간 더 복잡한 "근사 클리포드(near-Clifford)" 데이터(약간의 향신료가 추가된 팬케이크)로 AI를 훈련시키는 것이 초기에 아주 단순한 데이터로 훈련시키는 것보다 더 효과적이라는 것을 발견했습니다.
4. 적용 시점: 그들은 이 교정법을 사용하는 두 가지 방법을 테스트했습니다.
   • 요리 중에: 셰프가 요리법을 결정하는 동안 맛을 고치는 것.
   • 요리가 끝난 후: 요리가 접시에 담긴 후에 맛을 고치는 것.
   • 발견한 점: 어떤 방식으로 해도 최종 결과는 같았습니다. 하지만 '후에' 고치는 것이 더 빠르고 쉬우므로, 이 방식이 권장됩니다.

핵심 결론

이 논문은 우리가 좋은 결과를 얻기 위해 완벽하고 오류가 없는 양자 컴퓨터를 기다릴 필요가 없다는 것을 보여줍니다. 단순하게 시뮬레이션된 예시들로 훈련된 똑똑한 AI를 사용함으로써, 오늘날의 노이즈가 많은 기계에서 나오는 지저분한 결과들을 "정화"할 수 있습니다. 이것은 마치 수천 개의 다른 초안을 공부함으로써, 원본 작가가 어떻게 썼는지 본 적이 없더라도 엉망인 원고를 고쳐낼 수 있는 매우 똑똑한 편집자를 두는 것과 같습니다.

핵심 요약: 이 방법은 오늘의 양자 컴퓨터에 실용적이며, 기계가 매우 노이즈가 심할 때 기존의 표준 방식보다 더 효과적입니다.

기술 요약

기술 요약: 변분 알고리즘을 위한 머신러닝 기반 양자 오류 완화

문제 정의
현재의 노이징 중간 규모 양자(NISQ) 장치는 제한된 결맞음 시간과 게이트 불충실도(infidelity)로 인해 고전하며, 이는 변분 양자 알고리즘(VQA)인 변분 양자 고유값 솔버(VQE)의 성능에 악영향을 미칩니다. 양자 오류 정정(QEC)은 장기적인 해결책을 제시하지만, 현재는 하드웨어 역량이 그 수준에 미치지 못합니다. 양자 오류 완화(QEM)는 물리적 억제 대신 사후 처리(post-processing)를 통해 잡음 없는 기댓값을 회복함으로써 단기적인 대안 역할을 합니다.

기존의 머신러닝 기반 QEM(ML-QEM) 접근 방식은 두 가지 주요 한계에 직면해 있습니다:

1. 제한된 적용 가능성: 많은 방법론이 고정된 파라미터를 가진 회로에 특화되어 있어, 파라미터가 동적으로 변하는 변분 알고리즘에서의 활용도가 제한됩니다.
2. 데이터 부족: 머신러닝 모델을 학습시키려면 잡음 없는("이상적인") 데이터가 필요하지만, 대규모의 파라미터화된 양자 회로에 대해 이를 고전적 시뮬레이션으로 얻는 것은 어렵습니다. (근)-클리포드(Clifford) 회로는 효율적으로 시뮬레이션할 수 있음에도 불구하고, 이전 연구들은 종종 고정 파라미터 인스턴스로 범위를 제한했습니다.

방법론
저자들은 변분 회로를 위해 특별히 설계된 실용적인 ML-QEM 프로토콜을 제안합니다. 핵심 워크플로우는 다음과 같습니다:

1. (근)-클리포드 회로를 통한 데이터셋 생성:

   • 타겟 변분 회로를 직접 시뮬레이션하는 대신(대규모 $n$에 대해 클래식하게 다루기 어려우므로), 타겟 안사츠(ansatz)의 파라미터화된 단일 큐비트 회전을 무작위로 샘플링된 클리포드 게이트로 대체하여 학습 데이터를 생성합니다.
   • 힐베르트 공간의 커버리지를 넓히기 위해, 회로 시작 부분에 무작위 하르(Haar) 유니터리를 배치하여 비-클리포드 게이트의 수를 확률적으로 제어하는 "근-클리포드" 회로를 도입합니다.
   • 이 접근 방식을 통해 타겟 문제의 특정 변분 파라미터를 시뮬레이션할 필요 없이, 파울리 스트링 기댓값 벡터 $P$에 대한 데이터셋 $\{P_{noisy}, P_{ideal}\}$을 생성할 수 있습니다.

2. 모델 선택 및 학습:

   • 이 작업은 잡음이 있는 파울리 스트링으로부터 잡음 없는 대응물로 매핑하는 함수 $f_\phi$를 학습하는 것으로 공식화됩니다.
   • 선형 회귀(Ridge), 랜덤 포레스트, SVM, KNN, MLP, XGBoost를 포함한 여러 회귀 모델을 벤치마킹했습니다.
   • Ridge 회귀(Standard Scaler 적용)와 XGBoost가 최상위 성능을 보였습니다. Ridge 회귀는 제한된 데이터에 대한 과적합을 방지하는 강력한 규제 덕분에 대부분의 영역에서 우수한 안정성과 오류 억제력을 보여주었습니다. XGBoost는 높은 노이즈 영역에서 가끔 더 우수한 성능을 보였는데, 이는 비선형 노이즈 효과를 포착하는 능력 때문으로 보입니다.

3. VQE로의 통합:

   • 본 연구는 두 가지 통합 레지메를 조사합니다: 인-루프 완화(최적화 과정 중에 ML 보정을 적용)와 포스트-최적화 완화(파라미터 최적화 후에만 보정을 적용).
   • Sherrington-Kirkerton(SK) 해밀토니안(최대 $n=12$ 큐비트)에 대한 수치 실험 결과, 노이즈가 비용 함수의 전역적 기하학적 구조를 크게 왜곡하지 않는다는 것이 밝혀졌습니다. 결과적으로 포스트-최적화 완화가 인-루프 완화만큼 효과적이면서도 계산 효율성이 더 높은 것으로 나타났습니다.

주요 결과
제안된 프로토콜은 세 가지 노이즈 모델(Depolarizing, Pauli, Composite noise)을 사용하여 표준적인 영 노이즈 외삽법(ZNE)과 벤치마킹되었습니다.

• 오류 억제: ML-QEM 프로토콜은 테스트된 모든 설정에서 일관된 오류 억제를 달|성했습니다. 저-중간 노이즈 영역에서는 근-클리포드 데이터로 학습된 Ridge 회귀가 가장 좋은 성능을 보였으며, 종종 오류를 10배(an order of magnitude)까지 줄였습니다.
• 고노이즈 영역: 고노이즈 시나리오에서 XGBoost는 특히 Depolarizing 및 Pauli 노이즈에 대해 Ridge 회귀보다 가끔 더 우수한 성능을 보였으며, 이는 비선형 모델이 이러한 특정 조건에서의 복잡한 노이즈 상호작관을 더 잘 포착함을 시사합니다.
• ZNE와의 비교:
  • 저노이즈 영역에서는 일반적으로 ZNE가 ML-QEM 접근 방식보다 우수했습니다.
  • 그러나 노이즈 강도가 증가함에 따라 ZNE의 성능은 저하된 반면, ML-QEM 방식은 견고함을 유지했습니다. 고노이즈 영역에서 제안된 ML-QEM 프로토콜은 ZNE와 대등하거나 더 우수한 성능을 보였습니다.
• 전이 가능성(Transferability): 학습된 모델은 유사한 얽힘 구조(특히 TwoLocal 안사츠)를 가진 서로 다른 타겟 해밀토니안 간에 전이되는 능력을 보여주었으며, 이는 임의의 변분 파라미터에 대한 접근 방식의 적용 가능성을 입증합니다.

의의 및 주장
본 논문은 (근)-클리포드 회로를 활용하여 데이터 획득 병목 현상을 극복하는 실용적인 ML-QEM 프레임워크를 제공한다고 주장합니다. 저자들은 자신들의 방법이 다음과 같다고 단언합니다:

1. 일반화 가능한 완화 모델 생성: 모델은 고정된 구조의 회로로 학습되지만, 임의의 파라미터를 가진 변분 회로를 성공적으로 보정합니다.
2. 견고성 제공: 일관된 수 배의 오류 억제를 제공하며, 특히 전통적인 ZNE가 어려움을 겪는 고노이즈 환경에서 탁월한 성능을 발휘합니다.
3. 워크플로우 최적화: 테스트된 설정에서 포스트-최적화 완화가 충분하다는 것을 입증하여, 최적화 루프에 ML 보정을 통합하는 데 따르는 계산 오버헤드를 피할 수 있게 합니다.

결론적으로, 이 프로토콜은 현재의 NISQ 프로세서에 적용 가능하며, 완전한 결함 허용(fault tolerance)이나 광범위한 노이즈 토모그래피 없이도 VQA 성능을 향상시킬 수 있는 실행 가능한 경로을 제시합니다.