[論文レビュー] Practical application-specific advantage through hybrid quantum computing

Michael Perelshtein, Asel Sagingalieva+8 more|arXiv (Cornell University)|May 10, 2022

Quantum Computing Algorithms and Architecture被引用数 21

ひとこと要約

論文は、量子と古典資源を統合した記憶中心のハイブリッド量子クラウド（QMware）を提案し、最適化、機械学習、シミュレーションタスクを解決するための実用的利点を特定の問題で示す。

ABSTRACT

Quantum computing promises to tackle technological and industrial problems insurmountable for classical computers. However, today's quantum computers still have limited demonstrable functionality, and it is expected that scaling up to millions of qubits is required for them to live up to this touted promise. The feasible route in achieving practical quantum advantage goals is to implement a hybrid operational mode that realizes the cohesion of quantum and classical computers. Here we present a hybrid quantum cloud based on a memory-centric and heterogeneous multiprocessing architecture, integrated into a high-performance computing data center grade environment. We demonstrate that utilizing the quantum cloud, our hybrid quantum algorithms including Quantum Encoding (QuEnc), Hybrid Quantum Neural Networks and Tensor Networks enable advantages in optimization, machine learning, and simulation fields. We show the advantage of hybrid algorithms compared to standard classical algorithms in both the computational speed and quality of the solution. The achieved advance in hybrid quantum hardware and software makes quantum computing useful in practice today.

研究の動機と目的

• 量子資源と古典資源を統合した、記憶中心のHPC環境で実用的なハイブリッド量子計算プラットフォームを動機づけ、構築する。
• ハイブリッド量子アルゴリズムが、最適化（MaxCut）、機械学習（分類と回帰）、および量子に触発されたシミュレーションにおいて、速度と品質の利点をもたらすことを示す。
• 統一された記憶中心アーキテクチャが、産業用途と研究用途のための効率的な量子古典の相互作用とスケーラビリティを可能にすることを示す。

提案手法

• 記憶内計算を備えた記憶中心のHQCクラウド（QMware）と、量子回路の統一中間表現を導入する。
• 共通のSDKを介してトポロジーをまたぐシミュレートQPUとネイティブQPUを使用して、ハイブリッド量子アルゴリズム（QuEnc、HQNN、テンソルネットワークアプローチ）を実行する。
• QuEncを、量子エンコード済み・振幅エンコード済みの変分アプローチとしてMaxCutに適用し、異なるハードウェア設定下でCPLEXと比較する。
• 分類と回帰のベンチマークのためのハイブリッド量子ニューラルネットワークを開発し、古典的ネットよりも精度とデータ効率の利得を示す。
• 偏微分方程式様の問題に対して有利なスケーリングを持つ、量子に触発された方法としてテンソルネットワークベースのシミュレーションを実証する。

実験結果

リサーチクエスチョン

• RQ1 実際に、記憶中心のハイブリッド量子クラウドは離散最適化（MaxCut）において古典ソルバーを上回ることができますか？
• RQ2 分類と回帰タスクにおいて、ハイブリッド量子ニューラルネットワークは古典的ネットワークより実質的な精度とデータ効率の利得を提供しますか？
• RQ3 量子に触発されたテンソルネットワークは、従来のソルバーと比較して高次元シミュレーションにスケーラブルな利点を提供しますか？
• RQ4 統一メモリモデル内でのシミュレートQPU、CPU、GPUの統合が、ハイブリッド量子アプリケーションのエンドツーエンドの性能にどのように影響しますか？

主な発見

• 振幅エンコードを用いたQuEncは、シミュレーション中に256ノードのグラフでCPLEXよりも正確なMaxCut解を1分以内に達成します（コストは引用）。
• QuEnc→CPLEX のハイブリッドパイプラインは、1024ノードのグラフで改善された解を得て、報告された実験で純粋なCPLEXの性能を上回ります。
• HQNNは古典的ネットワークより高い検証精度を達成し（0.940 vs 0.831）、収束も速くなる（32対317エポック）、円の中の円の分類タスクで。
• ボストン住宅価格回帰のハイブリッドモデルは、古典モデルより検証損失が12-16%低く、小規模データセットでの堅牢性を示しています。
• ポアソン様の問題のテンソルネットワークベースのシミュレーションは、共役勾配法に対して指数関数的またはそれ以上のスケーリング利点を示し、限定されたハードウェアで非常に大規模な問題空間（最大 10^9 点）を可能にします。