[論文レビュー] Quantum Integer Programming (QuIP) 47-779: Lecture Notes

David E. Bernal, Sridhar Tayur+1 more|arXiv (Cornell University)|Dec 17, 2020

Quantum Computing Algorithms and Architecture参考文献 55被引用数 4

ひとこと要約

本論文は、量子整数プログラミング（QuIP）に関する包括的な講義資料を提示しており、研究者が整数計画問題を二次無制約バイナリ最適化（QUBO）問題に定式化し、量子インスパイアドおよびニアテーム量子手法（量子断熱法、QAOA、Graver補正マルチシード法（GAMA））を用いて解く方法を教える。主な貢献は、実世界の最適化問題を量子対応のQUBO形式にマッピングする実用的フレームワークと、パラメータの系統的チューニングを伴う、古典的および量子ハードウェア上でのパフォーマンスベンチマーク手法の提供である。

ABSTRACT

This lecture series on Quantum Integer Programming (QuIP) -- created by Professor Sridhar Tayur, David E. Bernal, and Dr. Davide Venturelli, a collaboration between CMU and USRA, with the support from Amazon Braket during Fall 2020 -- is intended for students and researchers interested in Integer Programming and the potential of near term quantum and quantum-inspired computing in solving optimization problems. Originally created for Tepper School of Business course 47-779 (at CMU), these were also used for the course ID5840 (at IIT-Madras, by Professors Anil Prabhakar and Prabha Mandayam) whose students (listed at the beginning of each lecture) were scribes. Dr. Vikesh Siddhu, post-doc in CMU Quantum Computing Group, assisted during the lectures, student projects, and with proof-reading this scribe. Through these lectures one will learn to formulate a problem and map it to a Quadratic Unconstrained Binary Optimization (QUBO) problem, understand various mapping and techniques like the Ising model, Graver Augmented Multiseed Algorithm (GAMA), Simulated or Quantum Annealing and QAOA, and ideas on how to solve these Integer problems using these quantum and classical methods.

研究の動機と目的

• 院生および研究者に、非線形整数計画問題を量子および量子インスパイアドソルバーに適したQUBO形式に再定式化するためのツールを提供すること。
• 特に量子断熱法およびQAOAを用いた実世界の組合せ最適化問題への応用を示すこと。
• 解の質、成功確率、リソース使用量の観点から、QUBOインスタンスにおける量子ソルバーと古典的ソルバーの評価を可能にするベンチマーク戦略を提供すること。
• 学生が古典的最適化とニアテーム量子ハードウェアまたはシミュレータを組み合わせたハイブリッドプロジェクトを開発・評価できるようにすること。
• D-Wave、IBM、GPU/TPUプラットフォームでの問題定式化、QUBOマッピング、パフォーマンス評価の実用的スキルの習得を通じて「量子リーダビリティ」を育成すること。

提案手法

• 実世界の問題を非線形整数計画問題として定式化し、ペナルティ法およびバイナリ符号化を用いてQUBO形式に再定式化する。
• スピンベースのハミルトニアンに目的関数と制約を符号化するためにイジング模型およびQUBOマッピング技術を適用する。
• 二次（準）割当問題の量子インスパイド最適化に、Graver補正マルチシード法（GAMA）を実装する。
• D-Waveハードウェア上で量子断熱法を適用し、チェーン強度や断熱時間などの調整可能なパラメータを用いて最適解が得られる確率を最大化する。
• パラメータ化されたゲート（γおよびβ）を用いた量子回路を通じて、量子近似最適化アルゴリズム（QAOA）を適用し、エンタングルド重ね合わせ状態を探索する。
• 複数回の実行における統計的サンプリングを用いてソリューションをベンチマークし、成功確率、妥当性、および古典的および量子バックエンドにおけるリソース消費（時間、エネルギー）を分析する。

実験結果

リサーチクエスチョン

• RQ1 実世界の応用から得られる非線形整数計画問題を、制約を保持したまま効果的にQUBO形式に再定式化する方法は何か？
• RQ2 最適解および妥当解が得られる確率を最大化するために、量子断熱法におけるチェーン強度および断熱時間の最適設定は何か？
• RQ3 ベンチマークQUBOインスタンスにおいて、QAOAのパフォーマンスは量子断熱法および古典的シミュレーテッドアニーリングと比べてどうか？
• RQ4 量子インスパイド手法の一つであるGAMAは、特定のクラスの整数計画問題において、古典的ソルバーをどれほど上回れるか？
• RQ5 解の質およびリソース効率の観点から、量子ソルバーと古典的ソルバーの信頼性ある比較を保証するための体系的ベンチマーク戦略は何か？

主な発見

• デフォルトパラメータを用いた量子断環法では、最適解が得られる確率はわずか0.05%にとどまり、妥当解は0.15%にとどまるため、初期段階での性能は著しく低いことが示された。
• チェーン強度を増加させると一時的に最適解の確率が向上するが、最終的にはチェーンの破壊やエネルギー準位の分裂が進行し、逆に確率が低下することがわかった。
• 2秒の断熱時間では、より長い実行時間と比較して最適解のカウントが著しく低下しており、実行時間と成功確率のトレードオフが生じていることが示された。
• 本研究では、1回の長時間実行に依存するのではなく、さまざまなパラメータを用いた複数の断熱実行を実施し、多様な解集合を探索することを推奨している。
• QAOAは、パラメータ化された量子回路を用いたコherentで回路ベースの最適化を可能にするが、基底状態が測定される確率は解析的に計算することが困難である。
• パラメータチューニング、統計的サンプリング、パフォーマンス比較を含む体系的ベンチマークパイプラインが、量子優位性の主張を信頼性を持って評価するために不可欠であることが示された。