[論文レビュー] A semi-agnostic ansatz with variable structure for quantum machine learning

M. Bilkis, M. Cerezo+3 more|arXiv (Cornell University)|Mar 11, 2021

Quantum Computing Algorithms and Architecture参考文献 132被引用数 32

ひとこと要約

VAnsを導入する。変動構造の恒等初期化済みアンサatzで、量子回路を成長させて剪定することで、浅い深さを維持し、量子機械学習タスクにおける学習性とノイズ耐性を向上させる。

ABSTRACT

Quantum machine learning -- and specifically Variational Quantum Algorithms (VQAs) -- offers a powerful, flexible paradigm for programming near-term quantum computers, with applications in chemistry, metrology, materials science, data science, and mathematics. Here, one trains an ansatz, in the form of a parameterized quantum circuit, to accomplish a task of interest. However, challenges have recently emerged suggesting that deep ansatzes are difficult to train, due to flat training landscapes caused by randomness or by hardware noise. This motivates our work, where we present a variable structure approach to build ansatzes for VQAs. Our approach, called VAns (Variable Ansatz), applies a set of rules to both grow and (crucially) remove quantum gates in an informed manner during the optimization. Consequently, VAns is ideally suited to mitigate trainability and noise-related issues by keeping the ansatz shallow. We employ VAns in the variational quantum eigensolver for condensed matter and quantum chemistry applications, in the quantum autoencoder for data compression and in unitary compilation problems showing successful results in all cases.

研究の動機と目的

• NISQデバイス上での訓練性とノイズによる問題を緩和するため、浅く訓練可能なアンサンツ設計を量子機械学習のために動機づける。
• 表現力と訓練性のバランスをとるよう、量子回路を反復的に成長・圧縮する変動構造アンサatz（VAns）を提案する。
• VQE、量子オートエンコーダ、ユニタリコンパイルに渡ってVAnsを実証し、適用範囲の広さを示す。
• 現実的なノイズモデル下で基底状態の準備をベンチマークして、VAnsのハードウェアノイズに対する耐性を示す。

提案手法

• 初期回路から始まり、ゲート辞書から恒等コンパイルゲートブロックを反復的に挿入するVAnsフレームワークを定義する。
• 離散的アーキテクチャ探索（挿入/単純化）が外部ループで、連続パラメータ最適化が内部ループで行われる階層的最適化ループを使用する。
• 恒等にコンパイルされる辞書のゲートで回路を成長させるInsertionを適用し、次いで過剰なゲートを除去して深さを減らすSimplificationを行う。
• ΔC/ C0を用いたexp(-β ΔC/ C0)で確率的に上りの動作を許すメトロポリス様の受け入れ基準により回路性能を評価する。
• ハードウェアと問題対称性に合わせたゲート辞書を用いて、問題指向・ハードウェア対応のアンサatzを構築する。
• VQE基底状態問題、量子オートエンコーダ、およびユニタリコンパイルへの適用性を、ノイズベンチマークを含めて実証する。

実験結果

リサーチクエスチョン

• RQ1 変動構造アンサatzは、NISQデバイス上で訓練性を維持するために回路深さを動的に成長させたり剪定したりできるか。
• RQ2 VAnsアプローチは、VQE、量子オートエンコーダ、回路コンパイル全般において、タスク性能を維持または向上させつつ、浅くてノイズ耐性の高い回路を生み出すか。
• RQ3 挿入と単純化のルールは、到達可能なアーキテクチャのハイパースペースと最終コストにどのように影響するか。
• RQ4 メトロポリス様の受け入れ機構がより良いアーキテクチャへ到達する際に与える影響は何か。
• RQ5 ハードウェア制約向けに設計されたゲート辞書は、性能を向上させ深さを削減できるか。

主な発見

• VAnsは、最適化中に回路を成長させつつ圧縮することの両方で浅い深さのアンサatzを生成する。
• 挿入、簡略化、連続パラメータ訓練を含むネスト型最適化ループは、訓練性とノイズの問題を緩和しつつ有効なタスク性能を生む。
• VQEによる基底状態準備、量子オートエンコーディング、ユニタリコンパイルのタスクで有利な結果を示す。
• 基底状態ベンチマークにおいてハードウェアノイズに対する耐性を示す。
• 固定構造アーキテクチャを超えた、タスク指向のNISQ対応アンサatz設計へ一般化できる。