[論文レビュー] Reachability Deficits Implicit in Google's Quantum Approximate Optimization of Graph Problems

V. Akshay, H. Philathong+2 more|arXiv (Cornell University)|Jul 17, 2020

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

この論文は、GoogleのSycamore量子プロセッサ実験を、グラフ最小化問題における量子近似最適化アルゴリズム（QAOA）を用いて再分析している。制約密度が重要なパフォーマンス指標であることが判明し、中程度の密度を超えると近似の質が急激に低下し、必要な回路深さも密度に強く依存することを示している。これは、低深さQAOAの利点を主張する主張と矛盾する。

ABSTRACT

The quantum approximate optimisation algorithm (QAOA) has become a cornerstone of contemporary quantum applications development. Here we show that the $density$ of problem constraints versus problem variables acts as a performance indicator. Density is found to correlate strongly with approximation inefficiency for fixed depth QAOA applied to random graph minimization problem instances. Further, the required depth for accurate QAOA solution to graph problem instances scales critically with density. We performed a detailed reanalysis of the data reproduced from Google's Sycamore superconducting qubit quantum processor executing QAOA applied to minimization problems on graphs. We found that Sycamore approaches a rapid fall-off in approximation quality experienced beyond intermediate-density instances. Our findings offer new insight into performance analysis of contemporary quantum optimization algorithms and contradict recent speculation regarding low-depth QAOA performance benefits.

研究の動機と目的

• GoogleのSycamoreプロセッサから得られた実験データを用いて、ランダムなグラフ最小化問題に対する低深さQAOAのパフォーマンス制限を調査すること。
• QAOAの近似非効率性と相関する問題インスタンスの構造的性質を同定すること。
• 低深さQAOAの利点についての最近の主張に反論するために、深さと密度依存性を分析すること。
• SycamoreのQAOA実行データを再分析し、最適化パフォーマンスにおける隠れた到達可能性欠陥を明らかにすること。

提案手法

• Googleの超伝導キュービットプロセッサSycamoreにおけるランダムなグラフ最小化インスタンスに対するQAOA実行データを詳細に再分析した。
• 問題の制約数と変数数の比として「密度」を定義し、定量的に評価した。
• 固定深さQAOA実装におけるグラフ密度とQAOA近似品質の相関関係を分析した。
• グラフ密度関数として、正確な解を得るための必要な回路深さを分析した。
• 近似品質が急激に低下する中間密度におけるパフォーマンスの臨界転移点を同定した。
• Sycamoreからの実証データを用いて、現実のハードウェア制約下でのQAOAのスケーラビリティと限界を評価した。

実験結果

リサーチクエスチョン

• RQ1 制約密度（変数に対する制約数の比）が、固定深さQAOA実装における近似品質にどのように影響するか？
• RQ2 QAOAパフォーマンスが顕著に低下し始める密度レベルはどの程度か？
• RQ3 グラフ密度が増加するに従い、正確なQAOA解を得るための必要な回路深さはどのようにスケーリングするか？
• RQ4 観察されたパフォーマンスの低下は、最近の低深さQAOAの利点に関する主張とどの程度矛盾するか？
• RQ5 QAOA最適化における到達可能性欠陥を引き起こすグラフインスタンスの構造的特徴は何か？

主な発見

• 固定深さQAOAをランダムなグラフ最小化問題に適用した場合、制約密度は近似非効率性と強く相関している。
• Sycamoreでは、中程度の密度を超えるグラフインスタンスにおいて、QAOAの近似品質が急激に低下する。
• 正確なQAOA解を得るための必要な回路深さは、グラフ密度の増加に伴い顕著に増加する。
• パフォーマンスの低下は中程度の密度で発生し、これが浅い回路では最適化が不可能になる臨界閾値を示している。
• 最近の低深さQAOAに内在的利点があるという推測とは対照的に、問題構造に起因する隠れた制限が明らかになった。
• QAOAの到達可能性欠陥は、制約の密度に暗黙的に埋め込まれており、現在の量子最適化アプローチにおける根本的ブottleneckを示唆している。