[論文レビュー] Preconditioning for a Variational Quantum Linear Solver

Aruto Hosaka, Koichi Yanagisawa+4 more|arXiv (Cornell University)|Dec 25, 2023

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

この論文は、NISQデバイスにおける変分量子線形ソルバー（VQLS）の性能を向上させるために、不完全LU（ILU）因子分解による前処理を導入する。スパース線形系の固有値スペクトル特性を改善することで、10個のランダムな $128\times128$ スパース行列に対して、アーキテクチャの深さを最大50％まで低減し、量子回路の深さやゲート数を増加させることなく、収束性とノイズ耐性を顕著に向上させる。

ABSTRACT

We apply preconditioning, which is widely used in classical solvers for linear systems $A extbf{x}= extbf{b}$, to the variational quantum linear solver. By utilizing incomplete LU factorization as a preconditioner for linear equations formed by $128 imes128$ random sparse matrices, we numerically demonstrate a notable reduction in the required ansatz depth, demonstrating that preconditioning is useful for quantum algorithms. This reduction in circuit depth is crucial to improving the efficiency and accuracy of Noisy Intermediate-Scale Quantum (NISQ) algorithms. Our findings suggest that combining classical computing techniques, such as preconditioning, with quantum algorithms can significantly enhance the performance of NISQ algorithms.

研究の動機と目的

• 変分量子線形ソルバー（VQLS）における高いアーキテクチャ深さとバリアンプレートォの問題に対処するため、古典的手法による前処理技術を活用すること。
• 前処理が、変分量子アルゴリズムにおける正確な解を得るために必要な量子回路の深さを低減できるかどうかを調査すること。
• 前処理が、VQLSにおける線形系の収束性と固有値スペクトル特性に与える影響を評価すること。
• ハイブリッド量子古典的ソルバーにおける、古典的計算コストと量子リソースの削減のバランスをとること。

提案手法

• スパース行列のLU分解を近似するために不完全LU（ILU）因子分解を適用し、元の行列の非ゼロ要素のみを保持することでスパarsityを維持する。
• ILU前処理子 $M = \tilde{L}\tilde{U}$ を用いて線形系を $M^{-1}A\mathbf{x} = M^{-1}\mathbf{b}$ に変換し、条件数と固有値分布を改善する。
• RYとCNOTゲートを交互に配置したハードウェア効率の良いアーキテクチャを用い、回転角 $\theta$ の古典的最適化により最適化する。
• 行列の逆行列を用いて得た正確な解との残差誤差とコスト関数の最小化を用いて性能を評価する。
• アーキテクチャ深さ（1～20）を変化させながら、10個のランダムに生成された $128\times128$ スパース行列に対して、前処理あり・なしのVQLSを比較する。
• 前処理の前後における特異値分布の分析を通じて、スペクトルの条件数とエンタングルメントの低減を評価する。

実験結果

リサーチクエスチョン

• RQ1 前処理は、スパース線形系におけるVQLSの必要なアーキテクチャ深さを低減できるか？
• RQ2 ILU前処理は、VQLSのコスト関数と残差誤差の収束にどのように影響するか？
• RQ3 前処理により、特異値の分布がより一様になり、行列の条件数が改善されたと見なせるか？
• RQ4 VQLSにおける古典的前処理コストと量子回路深さの低減のトレードオフは何か？

主な発見

• 10のテストケースすべてにおいて、前処理により必要なアーキテクチャ深さが最大50％まで低減され、深さ20の条件下でも収束性が一貫して向上した。
• 10,000回の最適化反復後、前処理を施したVQLSは、非前処理バージョンよりも顕著に低い残差誤差を達成した。
• 前処理後、特異値分布がより一様になったことから、スペクトルの条件数が改善され、行列の条件数が低下したと示唆された。
• 前処理を適用した場合、特に回路深さが低い状況において、コスト関数がより速く収束し、より低い値に到達した。
• 前処理により、行列が単位行列に近づいたため、アーキテクチャにおけるエンタングルメントの必要量が減少し、量子回路の表現力の負担が軽減された。
• 前処理の効果は、10個のランダムに生成されたスパース行列すべてに一貫して見られ、本手法の頑健性が裏付けられた。