Ensemble-learning error mitigation for variational quantum shallow-circuit classifiers

Probleemstelling

De huidige generatie kwantumcomputers valt onder de categorie NISQ (Noisy Intermediate-Scale Quantum). Deze apparaten zijn beperkt door ruis (noise) en korte coherentietijden, wat betekent dat ze geen fouttolerante kwantumcomputing kunnen uitvoeren. Variational Quantum Classifiers (VQCs) zijn veelbelovend voor machine learning op deze hardware, maar hun prestaties worden sterk belemmerd door de imperfecties van de hardware.

Traditionele foutmitigatie-technieken, zoals Zero-Noise Extrapolation (ZNE), proberen de ruis te corrigeren door metingen bij verschillende ruisniveaus te extrapoleren naar een ruisvrij punt. Echter, ZNE heeft beperkingen:

1. Het vereist vaak diepe circuits om voldoende nauwkeurigheid te bereiken, wat op NISQ-hardware onhaalbaar is door de accumulatie van ruis.
2. ZNE kan de prestaties van een ruisvrij, ondiep circuit niet overtreffen. Als een ondiep circuit (shallow circuit) vanwege zijn beperkte capaciteit niet nauwkeurig genoeg is, helpt ZNE niet genoeg.
3. Bestaande kwantumbasis voor ensemble learning (zoals quantum boosting) vereist vaak diepe circuits en complexe subroutines (zoals kwantum-fasenschatting), wat ze ongeschikt maakt voor huidige NISQ-hardware.

De kernvraag is: Hoe kan men de nauwkeurigheid van variational quantum classifiers verbeteren voor zowel klassieke als kwantumdatasets, gebruikmakend van ondiepe circuits die robuust zijn tegen ruis, zonder afhankelijk te zijn van diepe circuits?

Methodologie

De auteurs stellen twee ensemble-learning methoden voor die specifiek zijn aangepast voor VQCs op NISQ-hardware. Het centrale idee is om meerdere "zwakke" classifiers (elk geïmplementeerd op een ondiep, ruisgevoelig circuit) te combineren tot één "sterke" classifier met hoge nauwkeurigheid.

De twee voorgestelde protocollen zijn:

1. Bagging (Bootstrap Aggregating):

   • Principe: Meerdere VQCs worden parallel en onafhankelijk getraind.
   • Implementatie: Er worden $L_c$ verschillende VQCs getraind, elk met dezelfde circuitdiepte maar met verschillende initiële parameters.
   • Voorspelling: Voor een nieuwe invoer wordt de eindvoorspelling bepaald door meerderheidsstemming (majority vote) over de uitkomsten van alle $L_c$ classifiers.
   • Doel: Het verminderen van de variantie en het verbeteren van de robuustheid.

2. AdaBoost (Adaptive Boosting):

   • Principe: Meerdere VQCs worden sequentieel getraind.
   • Implementatie:
     • De training begint met gelijke gewichten voor alle datapunten.
     • Na het trainen van een classifier ($l$), wordt de fout率 ($e_l$) berekend.
     • Op basis van deze fout worden de gewichten van de datapunten bijgewerkt: datapunten die door de vorige classifier verkeerd werden ingedeeld, krijgen een hoger gewicht voor de volgende training.
     • Elke classifier krijgt een gewicht ($\alpha_l$) toegekend op basis van zijn prestaties.
   • Voorspelling: De uiteindelijke voorspelling is een gewogen som van de uitkomsten van alle classifiers, waarbij sterkere classifiers een groter gewicht hebben.
   • Doel: Het systematisch corrigeren van de fouten van eerdere classifiers door zich te focussen op de moeilijke gevallen.

Circuitontwerp:
De auteurs gebruiken een standaard VQC-architectuur bestaande uit een encoder (voor klassieke data, via amplitude-encoding), een parameteriseerde circuit (met lokale rotaties en CNOT-gates) en meting. Ze testen dit op ondiepe circuits (2 tot 3 lagen) om de haalbaarheid op NISQ-hardware te benadrukken.

Belangrijkste Bijdragen

1. NISQ-vriendelijke Ensemble Learning: De auteurs tonen aan dat ensemble learning kan worden toegepast op variational quantum circuits zonder de noodzaak van diepe circuits of complexe kwantum-subroutines (zoals phase estimation), wat hen onderscheidt van eerdere theoretische voorstellen.
2. Vergelijking van Bagging en AdaBoost: Het artikel biedt een grondige vergelijking tussen deze twee methoden in de context van kwantum-classificatie.
3. Toepassing op Kwantumdata: Naast klassieke data (handgeschreven cijfers), wordt de methode succesvol toegepast op een puur kwantumdataset: het onderscheiden van fasen in een Symmetry-Protected Topological (SPT) Hamiltonian.
4. Superioriteit van AdaBoost: Het artikel demonstreert dat AdaBoost, dankzij de sequentiële training en gewichtsbijwerking, superieur presteert ten opzichte van Bagging, vooral bij hoge ruisniveaus.

Resultaten

De methoden zijn getest op twee scenario's:

1. Klassieke Dataset (MNIST - Handgeschreven cijfers 1, 3, 5, 7):

   • ZNE vs. Ensemble: ZNE verbeterde de prestaties van diepe circuits (12 lagen), maar bleef onder de prestaties van ensemble-methoden die gebruikmaakten van zeer ondiepe circuits (2-3 lagen).
   • Bagging vs. AdaBoost: Zowel Bagging als AdaBoost verbeterden de nauwkeurigheid aanzienlijk ten opzichte van een enkele classifier. AdaBoost presteerde echter beter; met slechts 6 classifiers (3 lagen diep) bereikte AdaBoost een nauwkeurigheid van 0,95, terwijl Bagging zelfs met 10 classifiers niet boven 0,92 kwam.
   • Ruis-resistentie: Bij toenemende ruis (depolariserend kanaal) bleef AdaBoost stabiel hoog in nauwkeurigheid, zelfs bij zeer sterke decoherentie, terwijl de prestaties van diepe circuits (zelfs met ZNE) snel degradeerden.

2. Kwantum Dataset (SPT Hamiltonian Fase-discriminatie):

   • De taak was om de grondtoestand van een spin-keten te classificeren in antiferromagnetische, paramagnetische of SPT-fasen.
   • Bagging: Vereiste een diepte van 4 lagen om de fase-overgangen goed te kunnen vastleggen. Met 2 lagen faalde het, ongeacht het aantal classifiers.
   • AdaBoost: Kon de fase-overgangen zelfs met zeer ondiepe circuits van slechts 2 lagen nauwkeurig reconstrueren, mits het aantal classifiers werd verhoogd (bijv. 7 classifiers).
   • Dit bewijst dat AdaBoost de beperkingen van ondiepe circuits effectief kan compenseren door de sequentiële leerstrategie.

Betekenis en Conclusie

Dit artikel biedt een systematische en praktische aanpak om machine learning-taken op huidige kwantumhardware uit te voeren. De belangrijkste inzichten zijn:

• Ruismitigatie door Architectuur: In plaats van alleen te vertrouwen op post-processing (zoals ZNE), kan de architectuur van het algoritme (ensemble learning) zelf dienen als een krachtige foutmitigatie-strategie.
• Haalbaarheid op NISQ: Door gebruik te maken van ondiepe circuits en ensemble-methoden, kunnen complexe classificatieproblemen worden opgelost met de technologie van vandaag, zonder te wachten op fouttolerante hardware.
• AdaBoost als Optimaal Keuze: Voor ruisgevoelige kwantumcomputers is AdaBoost de superieure keuze. De sequentiële training stelt het systeem in staat om zich te focussen op de "moeilijke" datapunten die door de ruis worden beïnvloed, wat leidt tot een hogere nauwkeurigheid en robuustheid dan parallelle methoden zoals Bagging.

De auteurs concluderen dat hun ensemble-learning VQCs een veelbelovende weg zijn voor het realiseren van kwantumvoordeel in machine learning-toepassingen binnen het NISQ-tijdperk.