[論文レビュー] PyQUBO: Python Library for Mapping Combinatorial Optimization Problems to QUBO Form

Mashiyat Zaman, Kôtarô Tanahashi+1 more|arXiv (Cornell University)|Mar 2, 2021

Quantum Computing Algorithms and Architecture参考文献 27被引用数 7

ひとこと要約

PyQUBO は、Ising マシン（量子アニーリング機を含む）で実行可能な Quadratic Unconstrained Binary Optimization (QUBO) および Ising モデル形式に、複雑な組合せ最適化問題を効率的にマッピングできるオープンソースの Python ライブラリです。C++ で最適化されたバックエンドにより、式の構築が O(n) の時間計算量を達成し、純粋な Python や SymPy 実装を著しく上回り、大規模な問題に対しても実用的です。

ABSTRACT

We present PyQUBO, an open-source, Python library for constructing quadratic unconstrained binary optimizations (QUBOs) from the objective functions and the constraints of optimization problems. PyQUBO enables users to prepare QUBOs or Ising models for various combinatorial optimization problems with ease thanks to the abstraction of expressions and the extensibility of the program. QUBOs and Ising models formulated using PyQUBO are solvable by Ising machines, including quantum annealing machines. We introduce the features of PyQUBO with applications in the number partitioning problem, knapsack problem, graph coloring problem, and integer factorization using a binary multiplier. Moreover, we demonstrate how PyQUBO can be applied to production-scale problems through integration with quantum annealing machines. Through its flexibility and ease of use, PyQUBO has the potential to make quantum annealing a more practical tool among researchers.

研究の動機と目的

• 複雑な組合せ最適化問題に対して、QUBO や Ising ハミルトニアンを手作業で定式化する課題に対処すること。
• QUBO や Ising モデルの構築に適した高水準で読みやすく拡張可能な Python インターフェースを提供すること。
• C++ を用いた実装により、大規模最適化問題におけるパフォーマンスとスケーラビリティを向上させること。
• D-Wave 量子アニーリングシステムを含む実世界の Ising マシンとの統合を支援すること。
• 研究者が自動制約検証とパrameterチューニングを用いて、複雑な最適化問題を素早くプロトタイピングおよびデバッグできるようにすること。

提案手法

• PyQUBO は、数学的式や制約を抽象化する高水準な Python クラスを用い、QUBO や Ising ハミルトニアンの直感的な定式化を可能にします。
• 整数変数や離散変数に対して二値変数符号化をサポートし、非二値問題を QUBO 形式に変換できます。
• C++ バックエンドでは、式の内部表現に二分木を採用することで、コピー不要な効率的構築が可能となり、時間計算量が O(n) に抑えられます。
• ペナルティ項を用いた制約強制のための組み込みメソッドを提供し、解の妥当性を保証します。
• PyQUBO は D-Wave Ocean SDK と統合されており、D-Wave Advantage 量子アニーリングハードウェアで使用可能な QUBO 行列への直接エクスポートをサポートしています。
• 複雑な問題例に対して、モデル検証やパrameterチューニングを含む高度なデバッグ機能を備えています。

Figure 2: A summary of logical gate circuit elements and their truth tables.

実験結果

リサーチクエスチョン

• RQ1 高水準プログラミングインターフェースを用いて、組合せ最適化問題をどのように体系的かつ効率的に QUBO や Ising モデル形式にマッピングできるか？
• RQ2 純粋な Python や SymPy のような記号計算ライブラリと比較して、C++ で最適化されたバックエンドが大規模 QUBO 式の構築においてどのようなパフォーマンス優位性を示すか？
• RQ3 量子アニーリングハードウェアに統合された場合、PyQUBO が実世界の生産規模最適化問題にどの程度スケーラブルに拡張できるか？
• RQ4 内部データ構造（例：二分木 vs. 並べ替え済み配列）が、大規模ハミルトニアンのメモリ使用量と構築時間に与える影響はいかほどか？
• RQ5 PyQUBO は、多様な応用分野における Ising マシンを用いた研究者が開発およびデバッグの負荷を軽減できるか？

主な発見

• PyQUBO の C++ 実装（Array(C++)）は、式の構築において O(n) の時間計算量を達成しており、純粋な Python や SymPy とは異なり、項の加算に伴うリストコピーの影響により O(n²) の計算量を示すため、著しく優れています。
• 特にグラフ分割や高密度 QUBO 行列を伴う TSP のような大規模問題において、SymPy や Python ベースの PyQUBO と比較して、PyQUBO (C++) のメモリ使用量と実行時間は顕著に低く抑えられています。
• PyQUBO の Array(C++) 実装は、Set(C++) のバリアントよりも優れたパフォーマンスを示しており、効率的なデータ構造管理のおかげで、より低いメモリ使用量と短いコンパイル時間となっています。
• PyQUBO は、二値乗算子を用いた数の分割、ナップサック問題、グラフ彩色、整数因数分解といった実世界の問題の定式化と解決に成功しています。
• D-Wave Ocean SDK および D-Wave Advantage 量子アニーリングシステムへの統合により、PyQUBO が生産規模最適化ワークフローにおける実用的価値を示しました。
• ベンチマークにより、PyQUBO のパフォーマンスが問題サイズに応じて効果的にスケーリングすることを確認でき、複雑な大規模組合せ最適化タスクに適していることが示されました。

Figure 3: Diagram for a 3-bit binary multiplier. The arrows labeled $C$ and $S$ refer to the sum and carry of the individual half- and full-adders (labeled HA and FA). The $b_{m}a_{n}$ labels represent the $m$ -th and $n$ -th digit binaries joined by an AND gate.