Quantum computers have attracted attention to have overwhelming performance compared to classical computers through exponential speed up. However, existing quantum computers have not yet shown such performance, and also quantum computers have not shown satisfactory accuracy due to large errors. Research on quantum error correction has been conducted for decades, but existing quantum computers have too large errors to apply such quantum error correction methods. Therefore, studies on various quantum error mitigation methods have been recently conducted.
This dissertation focuses on quantum error mitigation via machine learning. And it is made up of two parts, analyzing and predicting quantum states and mitigating errors in quantum circuits. First, to analyze and predict the quantum state, the quantum states of the Rydberg atom are measured by simulating with dephasing error and experimenting on the real environment. After that, we propose a method to predict quantum states through artificial neural networks and Long Short-Term Memory (LSTM). With the proposed method, we measure the probability of each computational basis of the quantum state, and base on the measurement outcome, we predict the measurement probability for the future state.
By applying this prediction method to quantum circuits, we also propose the quantum error mitigation method on quantum circuits via machine learning. The error of the IBM quantum cloud platform is mitigated through artificial neural networks and convolutional neural networks. The measurement probability is obtained by simulating the quantum circuit using the error model of the IBM quantum cloud and by actually experimenting on the IBM quantum cloud platform. Measurement probability for each computational basis is obtained, and errors of measurement probability are mitigated according to the gate configuration. Moreover, we compare the mitigation efficiency according to the input permutation and the degree of quantum entanglement.
양자 컴퓨터는 지수적 속도 향상을 통해 고전 컴퓨터를 뛰어넘는 성능을 보여줄 것으로 큰 관심을 받고있다. 하지만 현존하는 양자 컴퓨터는 아직 이러한 성능을 보여주지 못하고, 또한 큰 에러 값으로 인해 결과 또한 만족스러운 정확도를 보여주지 못하고 있다. 양자 에러 정정에 관한 연구가 수 십년간 진행되어 왔으나, 현존하는 양자 컴퓨터는 이러한 양자 에러 정정을 적용하지 못할 만큼 큰 에러를 갖고있다. 따라서 최근 다양한 양자 에러 보정 방법들에 대한 연구가 진행되어 왔다.
이 학위 논문에서는 기계학습을 통한 양자 에러 보정에 대한 방법에 대한 내용을 다루고 있으며, 양자 상태를 분석하고 예측하는 연구와 실제 양자 회로에서 에러를 보정하는 방법에 대한 연구로 나뉜다. 먼저 양자 상태를 분석하고 예측하는 데는 리드베리 원자의 양자 상태를 탈위상 에러를 가정하여 시뮬레이션하고, 실제 실험 결과와 이를 비교하였다. 이 후 인공 신경망과 장단기 메모리를 통하여 양자 상태를 예측하는 방법을 제안한다. 양자 상태의 각 계산 기저의 관측 확률을 얻었고 특정한 구간의 관측 확률을 통해, 최종적으로 어떠한 값을 가지게 될 지 기계학습을 통해 각 기저별 관측 확률을 예측하는 방법을 제안한다.
이러한 예측 방법을 양자 회로에도 적용하여, 기계학습을 통해 양자 회로에 존재하는 에러 보정 방법도 제안한다. 인공 신경망과 합성곱 신경망을 통하여 IBM 양자 클라우드 플랫폼의 에러를 보정한다. 이 때 에러 모델을 불러와 시뮬레이션하여 측정한 확률과 실제로 IBM 양자 클라우드 플랫폼에서 실험한 확률을 사용한다. 각 회로의 기저별 관측 확률을 얻고, 게이트 구성에 따라 에러를 보정한다. 또한 합성 신경망을 사용했을 때의 입력 순서에 따른 양자 회로 보정 효율을 비교하고, 양자 얽힘 정도에 따른 양자 회로 보정 효율도 비교한다.
