[論文レビュー] Quantum circuit structure learning

Mateusz Ostaszewski, Edward Grant+1 more|arXiv (Cornell University)|May 23, 2019

Quantum Computing Algorithms and Architecture被引用数 23

ひとこと要約

本稿では、計算コストを最小限に抑えながら回路構造とパラメータを同時に最適化する、新しい量子回路構造学習手法を提案する。この手法は、IBM Melbourne量子デバイス上でリチウム水素化物、ヘイゼンベルク模型、水素に対してバリエーショナル量子固有値問題（VQE）において優れた性能を発揮し、標準的なパラメータのみの最適化を上回る。

ABSTRACT

We propose an efficient method for simultaneously learning both the structure and parameter values of quantum circuits with only a small computational overhead. Shallow circuits trained using structure learning perform significantly better than circuits trained using parameter updates alone, making this method particularly suitable for use on noisy intermediate-scale quantum computers. We demonstrate the method for training a variational quantum eigensolver for finding the ground states of Lithium Hydride and the Heisenberg model in simulation, and for finding the ground state of Hydrogen gas on the IBM Melbourne quantum computer.

研究の動機と目的

• 変動量子アルゴリズムにおける最適でない量子回路設計の課題に対処すること。
• 回路構造とパラメータを同時に最適化する計算コストを低減すること。
• ノイズの多い中規模量子（NISQ）ハードウェア上で量子化学問題の基底状態エネルギー推定を改善すること。
• 効率的な構造学習により、現在の量子デバイス上で実用的な変動量子アルゴリズムの展開を可能にすること。

提案手法

• 微分可能である回路構造の探索を採用し、勾配ベースの最適化によって回路トポロジーやゲートパラメータを同時に最適化可能にする。
• パラメータ化された量子回路を用い、ゲート接続性やゲートタイプといった学習可能な構造的要素を微分可能フレームワーク内に統合する。
• 構造学習をバリエーショナル量子固有値問題（VQE）フレームワークに統合し、エンドツーエンドの学習を可能にする。
• エネルギー期待値からの勾配情報を活用して、回路構造とパラメータ値を統合的な最適化プロセスで同時に更新する。
• 探索空間を浅い回路に制限し、構造的選択の効率的なパラメータ化を採用することで、計算コストを低く保つ。
• シミュレーションと実デバイス実行の両方をサポートし、IBM Melbourneのような実量子ハードウェアへのスケーラビリティを実証する。

実験結果

リサーチクエスチョン

• RQ1 回路構造とパラメータの共同最適化は、変動量子アルゴリズムにおける基底状態エネルギー推定を改善できるか？
• RQ2 NISQデバイス上での標準的なパラメータのみの最適化と比較して、構造学習は性能にどのように影響を与えるか？
• RQ3 従来のVQEトレーニングと比較して、回路構造の学習に要する計算コストはどの程度か？
• RQ4 構造学習は、実量子ハードウェア上での量子化学ハミルトニアンの正確な基底状態準備を可能にするか？
• RQ5 リチウム水素化物や水素のような異なる分子系において、この手法はどのようにスケーリングするか？

主な発見

• 構造学習を用いてトレーニングされた浅い量子回路は、パラメータ更新のみでトレーニングされたものと比較して、顕著に優れた基底状態エネルギー推定を達成する。
• シミュレーションにおいてヘイゼンベルク模型に対して、構造学習が成功裏に基底状態エネルギー推定を実現し、収束性と精度が向上している。
• リチウム水素化物において、固定された回路構造を用いたベースラインVQEと比較して、構造学習アプローチがより低いエネルギー推定値を達成した。
• IBM Melbourne量子コンputャー上で、水素分子の基底状態を正常に特定した。実NISQハードウェア上での応用可能性が裏付けられた。
• 構造学習の計算コストは低く保たれ、性能を犠牲にすることなく効率的な最適化が可能である。