[論文レビュー] GA4QCO: Genetic Algorithm for Quantum Circuit Optimization

Leo Sünkel, Darya Martyniuk+3 more|arXiv (Cornell University)|Feb 2, 2023

Quantum Computing Algorithms and Architecture被引用数 11

ひとこと要約

GA4QCOは、ユーザー定義の適合度関数に導かれて量子回路を自動的に生成・最適化する遺伝的アルゴリズムを使用します。 fidelityのターゲットと制限されたゲート集合を用いたデモンストレーション。

ABSTRACT

The design of quantum circuits is often still done manually, for instance by following certain patterns or rule of thumb. While this approach may work well for some problems, it can be a tedious task and present quite the challenge in other situations. Designing the architecture of a circuit for a simple classification problem may be relatively straightforward task, however, creating circuits for more complex problems or that are resilient to certain known problems (e.g. barren plateaus, trainability, etc.) is a different issue. Moreover, efficient state preparation or circuits with low depth are important for virtually most algorithms. In attempts to automate the process of designing circuits, different approaches have been suggested over the years, including genetic algorithms and reinforcement learning. We propose our GA4QCO framework that applies a genetic algorithm to automatically search for quantum circuits that exhibit user-defined properties. With our framework, the user specifies through a fitness function what type of circuit should be created, for instance circuits that prepare a specific target state while keeping depth at a minimum and maximizing fidelity. Our framework is designed in such a way that the user can easily integrate a custom designed fitness function. In this paper, we introduce our framework and run experiments to show the validity of the approach.

研究の動機と目的

• NISQの制約や複雑な学習可能性の課題に対処するための自動的な量子回路設計を促進する。
• ユーザーがカスタム適合度関数を定義して回路設計を導く枠組みを提供する。
• ターゲット状態への忠実度を最適化し、ゲートセット制限の下でフレームワークをデモンストレーションする。

提案手法

• 各回路をゲートの n-by-m グリッドとして表現し、ゲート種別、量子ビット、パラメータ、接続性のメタデータを付与する。
• ユーザー定義の適合度関数を用いて進化を望ましい回路特性（例：忠実度、エンタングルメント、MLの性能）へと導く。
• 集団、選択、交叉、突然変異といった GA コンポーネントを用い、トーナメント/ルーレット/ランダム選択や単一点/多点/ブロックごとの交叉などの戦略を採用する。
• ゲート反転、量子ビット/ゲート数の変更、列の入れ替え、パラメータの微調整など、さまざまな突然変異演算子をサポートする。
• 交叉前に回路を同一サイズへパディングすることを可能にし、交叉後に多量子ビットゲートを再構成する。
• PythonとQiskitで実装し、集団、世代、深さ、ゲート集合を設定可能な実験を誰でも行えるようにGitHubリポジトリを公開する。

実験結果

リサーチクエスチョン

• RQ1 GAベースのフレームワークは、与えられたターゲット状態に対して高い忠実度を達成する量子回路を発見できるか。
• RQ2 ゲート集合を制限することは、GAがほぼ最適な回路に到達する能力にどのような影響を与えるか。
• RQ3 回路の深さと幅の制約が最適化の結果に与える影響は何か。
• RQ4 ユーザー定義の適合度関数は、忠実度を超える特定の回路特性へ探索を導くことができるか。

主な発見

• ゲート制限なしの忠実度最適化は、200の個体で1000世代にわたり、0.8程度へと安定的に適合度を向上させた。
• 制限されたゲート集合 {id, rz, sx, x, cx} では、10回の実行で最高忠実度が0.994（1.0中）に達し、ランダムベースラインを上回った（最高 random ~0.79、平均 ~0.29）。
• 実験は4量子ビット回路で深さ20を用い、ターゲット状態の忠実度をランダム推測より改善できることを示した。
• このフレームワークは、カスタム適合度関数がタスク特有の回路特性へ探索を導くことを容易に示している。
• 結果はPythonとQiskitで実装され、再現性のために公開GitHubリポジトリで利用可能である。