[論文レビュー] Quantum circuit architecture search on a superconducting processor

Kehuan Linghu, Qian Yang+15 more|arXiv (Cornell University)|Jan 4, 2022

Quantum Computing Algorithms and Architecture被引用数 5

ひとこと要約

本論文は、8キュービットの超伝導量子プロセッサ上で、変動型量子アルゴリズム（VQA）のアーキテクチャを最適化するための量子アーキテクチャ探索（QAS）の最初の実験的実装を提示する。ハードウェアに適したアーキテクチャを自動的に設計することで、QASは、ヒューリスティックなアーキテクチャを用いた場合の31％から98％へ分類精度を向上させ、ノイズの多い中規模量子（NISQ）デバイスにおける表現力とトレーニング可能性のトレードオフを克服した。

ABSTRACT

Variational quantum algorithms (VQAs) have shown strong evidences to gain provable computational advantages for diverse fields such as finance, machine learning, and chemistry. However, the heuristic ansatz exploited in modern VQAs is incapable of balancing the tradeoff between expressivity and trainability, which may lead to the degraded performance when executed on the noisy intermediate-scale quantum (NISQ) machines. To address this issue, here we demonstrate the first proof-of-principle experiment of applying an efficient automatic ansatz design technique, i.e., quantum architecture search (QAS), to enhance VQAs on an 8-qubit superconducting quantum processor. In particular, we apply QAS to tailor the hardware-efficient ansatz towards classification tasks. Compared with the heuristic ansatze, the ansatz designed by QAS improves test accuracy from 31% to 98%. We further explain this superior performance by visualizing the loss landscape and analyzing effective parameters of all ansatze. Our work provides concrete guidance for developing variable ansatze to tackle various large-scale quantum learning problems with advantages.

研究の動機と目的

• ノイズの多い中規模量子（NISQ）デバイスにおける変動型量子アルゴリズム（VQA）の表現力とトレーニング可能性のトレードオフを解消すること。
• 問題とハードウェアの制約に適合する回路構造を自動的に設計する、量子アーキテクチャ探索（QAS）という自動的アーキテクチャ設計手法を開発し、実験的に検証すること。
• 実際の量子ハードウェア上で、QASによって設計されたアーキテクチャがヒューリスティックなアーキテクチャと比較して、VQAの性能を顕著に向上させられることを実証すること。
• QASによって設計されたアーキテクチャが標準的な構成よりも優れている理由を、損失関数のランドスケープと有効パラメータの分析を通じて、実験的および分析的洞察を提供すること。

提案手法

• キュービット接続性とデ coherent 時間の制限を含むハードウェア制約を満たす候補アーキテクチャのプール 𝒮 を構築する。
• すべての候補アーキテクチャに層ごとのパラメータ初期化を施したスーパーネットを初期化し、同時に最適化を可能にする。
• スーパーネットからアーキテクチャをサンプリングし、観測量を測定し、損失を計算して、古典的最適化により目的関数を最小化するようにパラメータを更新する。
• 収束または最大反復回数に達するまで最適化を繰り返し、その後、𝒫 で最も高い性能を示すアーキテクチャを検索・順位付けして微調整を行う。
• 測定結果の読み出しエラーを補正するために、キャリブレーション行列 F を用いた誤り補正を適用し、F⁻¹P̃ = P を満たす。
• 読み出しキャビティへのコherentなマイクロ波駆動を用いてデコherenceノイズチャネルを再現し、現実的なノイズ条件を模擬する。

実験結果

リサーチクエスチョン

• RQ1 実際の超伝導量子プロセッサ上で、量子アーキテクチャ探索（QAS）がVQAの性能向上に成功するか。
• RQ2 分類タスクにおけるテスト精度の観点から、QASによって設計されたアーキテクチャはヒューリスティックなアーキテクチャと比べてどのように異なるか。
• RQ3 QASとヒューリスティックアーキテクチャの性能差に寄与する表現力とトレーニング可能性の役割は何か。
• RQ4 異なるアーキテクチャの損失関数のランドスケープと有効パラメータは、観察された性能差をどのように説明できるか。
• RQ5 現在のNISQハードウェア上で、QASはより大規模かつ複雑な量子学習問題にスケーリング可能か。

主な発見

• QASによって設計されたアーキテクチャは、量子分類タスクで98％のテスト精度を達成したのに対し、ヒューリスティックなアーキテクチャではわずか31％であった。
• QASによって設計されたアーキテクチャの損失関数ランドスケープは、より平坦で有利な構造を示しており、トレーニング可能性が高く、バーレンプレートのリスクが低いことを示している。
• 有効パラメータの分析から、QASアーキテクチャはパラメータをより効率的に活用しており、勾配更新に対して高い感度を示していることがわかった。
• QASによる性能向上は、T₂*値が1.2〜15.9 μsの範囲で変動するさまざまなデコherence条件においても、安定して観察された。
• キャリブレーション行列 F を用いた読み出しエラー補正により、状態準備と測定の忠実度が向上し、アーキテクチャ性能の信頼性ある評価が可能になった。
• 本研究は、NISQ時代の量子機械学習で高い性能を達成するには、ハードウェアに配慮した、問題固有のアーキテクチャ設計が不可欠であることを確認した。