[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参考文献 39被引用数 230

ひとこと要約

PennyLane は、古典的機械学習ツールとハードウェアバックエンドを統合して勾配をエンドツーエンドで計算する、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する Python フレームワークです。

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

• キュービットと連続変量パラダイム全体で微分可能な量子プログラミングの統一フレームワークを提供する。
• 既存の ML 微分バックエンドを用いてハイブリッド量子-古典モデルの勾配ベース最適化を可能にする。
• プラグインシステムを介してハードウェアプロバイダとシミュレーターとの統合をサポートする。
• 自動微分を量子ノードと微分可能な量子変換へ拡張する。
• 変分アルゴリズムとハイブリッド ML タスクの実用的な例とテンプレートを提示する。

提案手法

• 古典および量子操作の有向非巡回グラフ（DAG）内の量子計算を量子ノード（QNodes）として表現する。
• DAG 全体を横断する自動微分を用いて、ハイブリッドコスト関数のすべての変数に対する勾配を計算する。
• 解析的、ハードウェア提供、バックプロパゲーション、有限差分法などを用いて量子ノードを微分する（パラメータシフト法を含む）。
• 層状ゲート、交互作用演算子、テンソルネットワークなどの量子回路アーキテクチャを変分アンサatzとして用いる。
• PennyLane をさまざまな量子シミュレーターとハードウェアバックエンドに接続し、Autograd、TensorFlow、PyTorch、JAX などの ML ライブラリとインタフェースするプラグインシステムを提供する。
• 共通の変分アルゴリズムのテンプレート（ansätze）、変換、コスト関数構築といったより高レベルの機能を提供する。

実験結果

リサーチクエスチョン

• RQ1 標準的な自動微分パイプラインと互換性のある方法で、ハイブリッド量子-古典計算の勾配をどのように計算できるか？
• RQ2 量子ノード（解析的、ハードウェアベース、バックプロパゲーション、有限差分）にはどの勾配戦略があり、それらをどのように選択するのか？
• RQ3 既存の ML エコシステムを使用して、変分量子アルゴリズムと量子-古典機械学習モデルのエンドツーエンド最適化をPennyLaneはどのように可能にするか？
• RQ4 微分可能な量子変換の役割は、完全に微分可能な量子プログラミング・パラダイムを有効にするのか？

主な発見

• PennyLane は、バックプロパゲーションと主流の ML ライブラリと互換性のある、ハイブリッド量子-古典計算を通じた自動微分を可能にする。
• このフレームワークは、解析的、ハードウェアベース、パラメータシフト、有限差分の Derivative を含む、量子ノードの複数の勾配法をサポートする。
• コストから量子および古典変数への勾配が伝播する DAG ベースのハイブリッド最適化アプローチを提供する。
• PennyLane はハードウェアプロバイダとシミュレータへ接続するプラグインを提供し、アクセス可能な量子計算リソースを拡張する。
• テンプレート、変換、コスト関数ユーティリティを含み、一般的な量子変分アルゴリズムとハイブリッドモデルを促進する。
• API は Autograd、TensorFlow、PyTorch、JAX とのシームレスな統合を可能にし、量子回路の勾配ベース最適化を支援する。