[論文レビュー] EQC : Ensembled Quantum Computing for Variational Quantum Algorithms

Samuel Stein, Yufei Ding+6 more|arXiv (Cornell University)|Nov 29, 2021

Quantum Computing Algorithms and Architecture参考文献 42被引用数 6

ひとこと要約

本論文では、複数のNISQデバイスにタスクを動的に分散させることで、デバイス固有のノイズとトレーニング時間の両方を低減し、変分量子アルゴリズム（VQA）のトレーニングを高速化・安定化する量子アンサンブルフレームワークEQCを提案する。EQCは最大86倍の高速化を達成し、最も優れた個々のデバイスと同等の誤差率を実現。500,000回の回路評価を10台のIBMQデバイスで行った結果、平均で10.5倍の高速化を達成した。

ABSTRACT

Variational quantum algorithm (VQA), which is comprised of a classical optimizer and a parameterized quantum circuit, emerges as one of the most promising approaches for harvesting the power of quantum computers in the noisy intermediate scale quantum (NISQ) era. However, the deployment of VQAs on contemporary NISQ devices often faces considerable system and time-dependant noise and prohibitively slow training speeds. On the other hand, the expensive supporting resources and infrastructure make quantum computers extremely keen on high utilization. In this paper, we propose a virtualized way of building up a quantum backend for variational quantum algorithms: rather than relying on a single physical device which tends to introduce temporal-dependant device-specific noise with worsening performance as time-since-calibration grows, we propose to constitute a quantum ensemble, which dynamically distributes quantum tasks asynchronously across a set of physical devices, and adjusting the ensemble configuration with respect to machine status. In addition to reduced machine-dependant noise, the ensemble can provide significant speedups for VQA training. With this idea, we build a novel VQA training framework called EQC that comprises: (i) a system architecture for asynchronous parallel VQA cooperative training; (ii) an analytic model for assessing the quality of the returned VQA gradient over a particular device concerning its architecture, transpilation, and runtime conditions; (iii) a weighting mechanism to adjust the quantum ensemble's computational contribution according to the systems' current performance. Evaluations comprising 500K circuit evaluations across 10 IBMQ devices using a VQE and a QAOA applications demonstrate that EQC can attain error rates close to the most performant device of the ensemble, while boosting the training speed by 10.5x on average (up to 86x and at least 5.2x).

研究の動機と目的

• 現在のNISQデバイスにおける変分量子アルゴリズム（VQAs）の高ノイズ性と低速なトレーニング速度を解消すること。
• 単一デバイスでのVQA実行に起因する、キャリブレーション後経過時間に起因するデバイス固有のノイズと性能劣化を低減すること。
• 複数のNISQデバイスにわたるワークロードのバランスを取ることで、量子ハードウェアの利用効率を向上させること。
• アンサンブル内の複数デバイス間での非同期的かつ協調的な量子計算により、より高速で安定したVQAトレーニングを実現すること。
• リアルタイムのパフォーマンスメトリクスに基づいて、各デバイスの寄与度を動的に重み付けるシステムを開発すること。

提案手法

• アーキテクチャ、トランスパイル、ランタイム条件を考慮した解析的モデルを用いて、各デバイスにおけるVQA勾配の品質を評価する。
• リアルタイムのパフォーマンスとデバイス状態に基づいて、物理的NISQデバイスのセットにわたるVQAタスクを動的に分散する。
• 測定された信頼性と誤差率に応じて、各デバイスの計算的寄与度を調整する重み付けメカニズムを採用する。
• 時間遅延が有限に制限された非同期的確率的勾配降下法（SGD）を用い、複数デバイスからの独立的かつ非同期更新を可能にする。
• 勾配推定にはパラメータシフト則を適用し、期待値の推定にはサンプリング平均推定器を用いる。
• パラメータをデバイス間で順次スキャンし、最適化のバランスを保つためにサイクル順序を維持する。

実験結果

リサーチクエスチョン

• RQ1 複数のNISQデバイスを用いたアンサンブルは、単一デバイスでの実行と比較して、デバイス固有のノイズを低減し、VQAトレーニングの安定性を向上させることができるか？
• RQ2 複数の量子デバイスにわたる動的負荷バランスにより、正確性を損なわず、VQAトレーニングをどの程度高速化できるか？
• RQ3 誤差率とトレーニング速度の観点から、アンサンブルシステムのパフォーマンスは、最も優れた個々のデバイスと比べてどの程度優れているか？
• RQ4 非同期的かつデバイスに依存しない勾配更新が、VQAsにおける収束性と最適化品質に与える影響は何か？
• RQ5 リアルタイムのパフォーマンスメトリクスに基づいてデバイスを重み付けるシステムは、近似的に最適な誤差率を達成しながら、スループットを最大化できるか？

主な発見

• 10台のIBMQ NISQデバイスを用いた評価では、EQCがVQEおよびQAOA応用において、最もパフォーマンスの優れた個々のデバイスと1.5%以内の誤差率で同等の結果を達成した。
• 評価結果から、VQAトレーニングの平均10.5倍の高速化が確認され、異なる設定では5.2倍から86倍の範囲での高速化が達成された。
• リアルタイムのパフォーマンスに応じてデバイスの重みを動的に調整することで、高精度を維持し、ノイジーまたは性能が低いデバイスの影響を低減した。
• 時間遅延が有限に制限された非同期トレーニングは、理論的解析により、有限の誤差範囲内で解に収束することが証明された。
• 単一デバイス（例：IBMQ Manhattan）で約4,623時間かかっていたトレーニング時間を、並列かつ分散実行により著しく短縮した。
• アンサンブルアプローチにより、時間経過に伴うキャリブレーションドリフトやデバイス固有のバイアスが軽減され、全体のロバスト性が向上した。