[論文レビュー] Quantum Hamiltonian Descent

Jiaqi Leng, Ethan Hickman+2 more|arXiv (Cornell University)|Mar 2, 2023

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

この論文は、古典的勾配降下ダイナミクスの経路積分形式を基に導出された、量子勾配降下（QHD）と呼ばれる新しい量子最適化アルゴリズムを紹介する。非古典的経路を通じる量子トンネル効果を活用することで、D-Waveの量子プロセッサに実装された際、非凸な二次計画問題（75次元まで）において、古典的ソルバーおよび量子断続的アルゴリズムを上回り、解の品質と時間当たりの解決速度において顕著な量子優位性を示した。

ABSTRACT

Gradient descent is a fundamental algorithm in both theory and practice for continuous optimization. Identifying its quantum counterpart would be appealing to both theoretical and practical quantum applications. A conventional approach to quantum speedups in optimization relies on the quantum acceleration of intermediate steps of classical algorithms, while keeping the overall algorithmic trajectory and solution quality unchanged. We propose Quantum Hamiltonian Descent (QHD), which is derived from the path integral of dynamical systems referring to the continuous-time limit of classical gradient descent algorithms, as a truly quantum counterpart of classical gradient methods where the contribution from classically-prohibited trajectories can significantly boost QHD's performance for non-convex optimization. Moreover, QHD is described as a Hamiltonian evolution efficiently simulatable on both digital and analog quantum computers. By embedding the dynamics of QHD into the evolution of the so-called Quantum Ising Machine (including D-Wave and others), we empirically observe that the D-Wave-implemented QHD outperforms a selection of state-of-the-art gradient-based classical solvers and the standard quantum adiabatic algorithm, based on the time-to-solution metric, on non-convex constrained quadratic programming instances up to 75 dimensions. Finally, we propose a "three-phase picture" to explain the behavior of QHD, especially its difference from the quantum adiabatic algorithm.

研究の動機と目的

• 量子トンネル効果を活用して誤った局所的最小値に捕らわれるのを防ぐ、古典的勾配降下の真正の量子版を構築すること。
• 単にサブルーチンの高速化ではなく、アルゴリズム的経路を変更することで、古典的手法を上回る解の品質を向上させる量子アルゴリズムを同定すること。
• デジタルおよびアナログ両方の量子コンピュータで効率的にシミュレート可能な量子最適化フレームワークを設計すること。
• 制約付き非凸な二次計画問題において、QHDの性能を最先端の古典的および量子ソルバーと実験的に比較検証すること。
• QHDの挙動を特徴付ける「三段階像」としての理論的かつ運用的枠組みを提供すること。

提案手法

• QHDは、Bregman-Lagrangian力学系の経路積分による正準化から導出され、古典的勾配降下の連続時間極限を表す。
• アルゴリズムはシュレーディンガー方程式に従うハミルトニアンの時間発展として定式化され、デジタルおよびアナログ両方の量子コンピュータで効率的なシミュレーションが可能である。
• ダイナミクスは量子イジングマシン（例：D-Wave）に埋め込まれ、実ハードウェア上での実証的評価が可能である。
• デジタル実装には積層型フォーミュラ法が用いられ、qubitの精度（q=3,16,32）によって空間的離散化が制御される。
• 浮動小数点アダー、乗算器、近似QFTなどの量子サブルーチンが使用され、故障耐性コスト解析のためのT-countが推定されている。
• 時間発展演算は反復的ステップを経て実行され、位相推定とハミルトニアンへの制御操作が含まれ、D-Wave実験では時間発展パラメータT≈681が使用された。

実験結果

リサーチクエスチョン

• RQ1 古典的に禁止された経路を含むことで、勾配降下の経路そのものを根本的に変えるような量子アルゴリズムを構築可能か？
• RQ2 量子最適化における非古典的経路の導入が、非凸問題における解の品質向上と収束速度の向上をもたらすか？
• RQ3 制約付き二次計画問題において、QHDは古典的勾配ベースソルバーおよび標準的な量子断続的アルゴリズムと比較して、時間当たりの解決速度に優れているか？
• RQ4 近い将来のデジタル量子コンピュータにQHDを実装する際のリソースコストは何か？実世界の問題に適用可能か？
• RQ5 QHDと量子断続的アルゴリズムの性能差の背後にある理由は何か？また、三段階モデルはこの挙動を説明できるか？

主な発見

• QHDは、75次元までの制約付き非凸な二次計画問題において、時間当たりの解決速度という指標に基づき、最先端の古典的勾配ベースソルバーおよび標準的な量子断続的アルゴリズムを上回った。
• D-Waveに実装されたQHDは、特に非凸性が高くスパースな問題において、古典的ソルバーに比べて優れた解の品質とより速い収束を達成した。
• QHDのデジタル実装には、低精度（3-qubit分解能）でも5×10⁸個を超えるTゲートが必要であり、近い将来のデジタル量子ハードウェアの能力をはるかに超える。
• T-countは問題の次元数およびスパarsityに著しく依存し、32-qubit分解能の75次元問題では2.67×10¹⁰に達する見込みである。
• 提案された「三段階像」は、QHDの挙動が断続的アルゴリズムとは明確に異なることを説明しており、量子トンネル効果と非古典的経路寄与の利用を強調している。
• QHDの性能優位性は、古典的に禁止された経路にアクセスできることに起因し、それにより古典的勾配降下が閉じ込められる局所的最小値からの脱出が可能になっている。