Apprentissage supervisé et non supervisé pour l'atténuation des erreurs quantiques

Supervised and Unsupervised Learning for Quantum Error Mitigation

• Auteur / Autrice : Theo Saporiti
• Direction : Mohamed Tamaazousti
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 27/11/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'intégration de systèmes et de technologies
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Atténuation

Erreurs

Quantiques

Mitigation

Quantum

Error

Résumé

La présence de bruit dans les canaux et les portes quantiques est l'un des problèmes les plus cruciaux interdisant de nombreuses applications pratiques des calculs quantiques. La théorie des corrections d'erreurs quantiques et des calculs tolérants aux pannes fournit un certain nombre de méthodes pour augmenter la fidélité des circuits quantiques [1]. Cependant, ces méthodes nécessitent un nombre dramatique de qubits physiques, ce qui est encore fatal pour les ordinateurs quantiques de nos jours. Comme alternative aux codes de correction d'erreurs quantiques, on peut s'appuyer sur des techniques d'apprentissage automatique pour atténuer les erreurs quantiques [2, 3, 4]. Ces algorithmes d'apprentissage automatique adaptatif sont généralement appris sur des exemples connus limités à des circuits quantiques de faible profondeur [2], qui peuvent être entièrement simulés sur des ordinateurs classiques. L'objectif principal du projet de recherche actuel est d'éviter de telles simulations complètes, en s'appliquant sur des techniques d'apprentissage automatique supervisées et non supervisées. Le projet contient deux pistes de travail dédiées à l'atténuation des erreurs quantiques supervisée et non supervisée. Le travail du candidat retenu pour ce poste contribuera aux deux axes de recherche, en se concentrant sur le développement de nouveaux algorithmes quantiques à atténuation des erreurs sous la supervision de membres permanents du groupe et en collaboration avec des postdocs travaillant sur l'atténuation des erreurs quantiques supervisée et non supervisée.

The presence of noise in quantum channels and gates is one of the most crucial problems prohibiting many practical applications of quantum computations. The theory of quantum error corrections and fault-tolerant computations provides a number of methods to increase the fidelity of quantum circuits [1]. However, these methods require a dramatic number of physical qubits, which is still fatal for quantum computers nowadays. As an alternative to the quantum error correction codes, one may rely on machine learning techniques for mitigating quantum errors [2, 3, 4]. These adaptive machine learning algorithms are usually trained on some known examples limited to low-depth quantum circuits [2], which can be fully simulated on classical computers. The main goal of the current research project is to avoid such full brute-force simulations, by applying supervised and unsupervised machine-learning techniques. The project contains two work packages dedicated to supervised and unsupervised quantum error mitigation. The work of the successful candidate for this position will contribute to both work packages, focusing on developing new error-mitigated quantum algorithms under the supervision of permanent members of the group and in collaboration with postdocs working on supervised and unsupervised quantum error mitigation.