[論文レビュー] Code from "Evidence of Scaling Advantage for the Quantum Approximate Optimization Algorithm on a Classically Intractable Problem"

Ruslan Shaydulin, Changhao Li+27 more|arXiv (Cornell University)|Aug 2, 2023

Quantum Computing Algorithms and Architecture参考文献 83被引用数 4

ひとこと要約

本論文は、量子近似最適化アルゴリズム（QAOA）が、古典的に困難な低自己相関バイナリーシーケンス（LABS）問題において、古典的ソルバーと比較して優れたスケーリングを達成することを実験的証拠で示している。40キュービットまでノイズレスのシミュレーションと理想化された量子コンピュータ上での量子最小値探索を用いて、QAOAは分枝限定法ソルバーと比較して優れた実行時間スケーリングを示した。また、Quantinuumのトラップドアイオントrapped-ionハードウェア上で誤検出スキームを用いた実験的妥当性の検証が行われた。

ABSTRACT

Code used to generate the results in the paper "Evidence of Scaling Advantage for the Quantum Approximate Optimization Algorithm on a Classically Intractable Problem". See https://github.com/jpmorganchase/QOKit for latest version.

研究の動機と目的

• QAOAが古典的ソルバーと比較して、古典的に困難な最適化問題においてスケーリング優位性を達成できるかどうかを調査すること。
• 固定パラメータと定数深さのQAOAが、低自己相関バイナリーシーケンス（LABS）問題において、どのように動作するかを評価すること。
• LABS問題における最先端の古典的正確ソルバー（例：分枝限定法）とQAOAをベンチマークすること。
• アルゴリズム固有の誤検出を用いて、トラップドアイオンハードウェア上でQAOAの実験的実現可能性を示すこと。
• QAOAと量子最小値探索の組み合わせによる、より優れた経験的スケーリング性能を評価すること。

提案手法

• Polarisスパコンの256ノードと1024のGPUを用いた分散量子シミュレータを用いて、LABS問題におけるQAOAのノイズレスシミュレーションを実施。
• 状態ベクトルの完全な伝搬をシミュレートし、コストハミルトニアンの対角構造を活用して、事前に計算されたコスト値との要素ごとの乗算により位相分離を適用。
• 2x2ユニタリ回転をキュービットペアに並列化して混合操作を実装し、高速ウォルシュ＝ハダマール変換に類似したインデックスグループ化により最適化。
• CPU-GPUハイブリッドアーキテクチャを採用。GPUが状態ベクトルのチャンクを管理し、CPUが通信と結果集約を制御。
• QAOAの成功確率を向上させ、経験的スケーリング性能を改善するために、量子最小値探索をQAOAに組み込んだ。
• 独自の誤検出スキームを用いて、Quantinuumのトラップドアイオンプロセッサ上でQAOA回路を実行し、実験的実現可能性を検証。

実験結果

リサーチクエスチョン

• RQ1 LABS問題において、QAOAは分枝限定法などの古典的正確ソルバーと比較して、より優れた漸近的スケーリングを示すか？
• RQ2 固定パラメータと定数深さのQAOAは、古典的に困難なLABSインスタンスにおいて、古典的ヒューリスティクスを上回る性能を発揮できるか？
• RQ3 QAOAと量子最小値探索の組み合わせは、LABS問題のソリューションに至るまでの時間（TTS）のスケーリングにどのように影響するか？
• RQ4 近位のトラップドアイオン量子ハードウェア上で、LABS問題のQAOA実装の実験的実現可能性はどの程度か？
• RQ5 誤検出スキームは、ノイズの多い中規模量子デバイス上でのQAOA実行の信頼性を向上させられるか？

主な発見

• 固定パラメータと定数深さのQAOAは、LABS問題において40キュービットまで、分枝限定法ソルバーと比較して優れた実行時間スケーリングを示した。
• 固定パラメータのQAOAのソリューションに至るまでの時間（TTS）は、およそ1.23^Nとスケーリングされ、先行研究で観測された古典的ヒューリスティクスのTTS（1.25^N）を上回った。
• 量子最小値探索を組み込んだQAOAは、調査範囲内でLABS問題のあらゆるアルゴリズムの中で、最も優れた経験的スケーリングを達成した。
• ノイズレスシミュレーションにより、指数的に小さいが正確に推定可能な最適成功確率p^optが確認された。
• 誤検出スキームを用いたQuantinuumのトラップドアイオンハードウェア上での実験的実行により、実際のハードウェア上でフォールトトレランスQAOAを実現するための進展が得られた。
• 分散QAOAシミュレータは、GPU並列処理と効率的なメモリ管理を活用し、Polarisスパコンの256ノードで高いパフォーマンスを発揮した。