[論文レビュー] PennyLane: Automatic differentiation of hybrid quantum-classical computations

Ville Bergholm, Josh Izaac+66 more|arXiv (Cornell University)|Nov 12, 2018

Quantum Computing Algorithms and Architecture被引用数 562

ひとこと要約

PennyLaneはPythonフレームワークで、ハイブリッド量子-古典計算の微分可能プログラミングを可能にし、量子ノードと古典処理間の勾配ベースの最適化を、ハードウェアとシミュレータのプラグインサポートとともに可能にします。

ABSTRACT

PennyLane is a Python 3 software framework for differentiable programming of quantum computers. The library provides a unified architecture for near-term quantum computing devices, supporting both qubit and continuous-variable paradigms. PennyLane's core feature is the ability to compute gradients of variational quantum circuits in a way that is compatible with classical techniques such as backpropagation. PennyLane thus extends the automatic differentiation algorithms common in optimization and machine learning to include quantum and hybrid computations. A plugin system makes the framework compatible with any gate-based quantum simulator or hardware. We provide plugins for hardware providers including the Xanadu Cloud, Amazon Braket, and IBM Quantum, allowing PennyLane optimizations to be run on publicly accessible quantum devices. On the classical front, PennyLane interfaces with accelerated machine learning libraries such as TensorFlow, PyTorch, JAX, and Autograd. PennyLane can be used for the optimization of variational quantum eigensolvers, quantum approximate optimization, quantum machine learning models, and many other applications.

研究の動機と目的

• 近距離の量子計算におけるハイブリッド量子-古典最適化の必要性を動機づける。
• 量子と古典の計算を統一する微分可能なプログラミングフレームワークを紹介する。
• 量子ノードを介して勾配が計算され、エンドツーエンドの最適化を可能にする方法を示す。
• 変分量子アルゴリズムと量子機械学習のユースケースを示す。
• ハードウェアとシミュレータに接続するスケーラブルなプラグインベースのアーキテクチャを提供する。

提案手法

• 古典的ノードと量子ノード（QNodes）を組み合わせた有向非巡回グラフとして計算を表現する。
• 自動微分を用いてハイブリッドグラフ上で勾配を逆伝播させ、すべての変数を更新する。
• 期待値、分散、確率、または状態を返す変分回路を実行する量子ノードを提供する。
• 解析的、ハードウェア互換、数値的勾配法を提供し、パラメータシフトルールと有限差分を含む。
• 逆伝播対応のシミュレータとデバイス提供勾配をサポートし、最高の勾配法を選択するデフォルトヒューリスティックを備える。
• プラグインシステムを含み、様々な量子バックエンド（ハードウェアとシミュレータ）に接続し、Autograd、TensorFlow、PyTorch、JAXなどのMLライブラリへのインタフェースを提供する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド量子-古典計算を通じて勾配をどのように計算・伝播させることができるか？
• RQ2 異なるバックエンド上の変分量子回路に対して最も効果的な勾配戦略は何か？
• RQ3 統一フレームワークは量子ノードを古典MLパイプラインとハードウェアバックエンドにシームレスに統合できるか？
• RQ4 変分量子アルゴリズムと量子-古典MLタスクの実用的なアーキテクチャとテンプレートは何か？

主な発見

• PennyLaneはノードのDAG上を逆伝播することにより、量子と古典の構成要素間で勾配ベースの最適化を可能にする。
• フレームワークは解析的、ハードウェアベース、逆伝播、有限差分など複数の勾配戦略をサポートし、回路とデバイスごとに最良の方法を自動的に選択する。
• 変分回路をラップするQNodesを提供し、さまざまな測定タイプをサポートし、エンドツーエンドのトレーニングのために主要なMLライブラリと統合されている。
• プラグインはハードウェアとシミュレータ（例：Xanadu Cloud、Amazon Braket、IBM Quantum）に接続し、実デバイス上での最適化を実行できる。
• テンプレートとトランスフォームは共通の変分アーキテクチャと量子機械学習モデルの構築と評価を容易にする。