[論文レビュー] ScaleQC: A Scalable Framework for Hybrid Computation on Quantum and Classical Processors

Wei Tang, Margaret Martonosi|arXiv (Cornell University)|Jul 3, 2022

Quantum Computing Algorithms and Architecture被引用数 15

ひとこと要約

ScaleQCは、スケーラブルなハイブリッドフレームワークを導入し、古典的後処理とニアテーム量子プロセッサを組み合わせることで大規模量子回路実行を可能にする。状態マージ技術、自動回路カットソルバ、テンソルネットワークベースの縮約を活用し、メモリおよび実行時間のオーバーヘッドを低減し、1,000量子ビットまでの回路で実行可能性を示した。これは、純粋に古典的または純粋に量子的な手法を上回るスケーラビリティとパフォーマンスを実現した。

ABSTRACT

Quantum processing unit (QPU) has to satisfy highly demanding quantity and quality requirements on its qubits to produce accurate results for problems at useful scales. Furthermore, classical simulations of quantum circuits generally do not scale. Instead, quantum circuit cutting techniques cut and distribute a large quantum circuit into multiple smaller subcircuits feasible for less powerful QPUs. However, the classical post-processing incurred from the cutting introduces runtime and memory bottlenecks. Our tool, called ScaleQC, addresses the bottlenecks by developing novel algorithmic techniques including (1) a quantum states merging framework that quickly locates the solution states of large quantum circuits; (2) an automatic solver that cuts complex quantum circuits to fit on less powerful QPUs; and (3) a tensor network based post-processing that minimizes the classical overhead. Our experiments demonstrate both QPU requirement advantages over the purely quantum platforms, and runtime advantages over the purely classical platforms for benchmarks up to 1000 qubits.

研究の動機と目的

• ハイブリッド量子古典計算のスケーラビリティを制限する量子回路カットにおけるメモリおよび実行時間のボトル neck を克服すること。
• ニアテームで性能が低いQPUで実行可能な、より小さな部分回路に大規模回路を分解できるようにすることで、量子プロセッサの要件を低減すること。
• アルゴリズム的イノベーションにより、複雑なベンチマークに対して実用的となるよう、古典的後処理のオーバーヘッドを最小限に抑えること。
• 現在の古典的シミュレーションや現在の量子プロセッサの範囲を超えて、大規模量子回路の実行を可能にすること。

提案手法

• 大規模量子回路において完全な状態ベクトルを保存せずに解の状態を効率的に特定できる状態マージフレームワークを導入し、古典的メモリ制限を回避する。
• 混合整数プログラミング（MIP）に基づくソルバを開発し、後処理の複雑さを最小限に抑え、ユーザー指定のQPUリソース制約に適合する高品質な回路カットを自動的に特定する。
• 計算グラフの縮約アルゴリズムを採用し、部分回路出力間のテンソルネットワークの縮約を最適化することで、後処理の古典的実行時間オーバーヘッドを低減する。
• 再帰的で反復的な探索戦略を用いて部分回路からの量子状態をマージし、全回路振幅のスケーラブルな再構築を可能にする。
• 回路構造とリソース可用性に動的に適応することで、多様な量子ベンチマークに一般化する。
• テンソルネットワーク表現を活用して古典的後処理ワークフローをモデル化・最適化し、計算コストを最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 量子回路カットにおける古典的後処理オーバーヘッドをどのように最小化すれば、実用的なハイブリッド計算が可能になるか？
• RQ2 どのようなアルゴリズム的手法が、従来のシミュレーションのメモリ制限を超えて、大規模量子回路における古典的状態再構築をスケーラブルに可能にするか？
• RQ3 回路カットを自動化・最適化することで、実行時間とQPUリソース要件の両方をどのように低減できるか？
• RQ4 ハイブリッド量子古典計算が、大規模量子回路において、純粋に古典的シミュレーションや純粋に量子実行をどの程度上回るか？
• RQ5 提案されたフレームワークは、現在またはニアテームハードウェアを用いて最大1,000量子ビットの量子回路の実行を可能にするか？

主な発見

• ScaleQCは、1,000量子ビットに達する量子回路の実行に成功し、純粋に古典的シミュレーションや現在の量子プロセッサの限界を超えたスケーラビリティを示した。
• 状態マージフレームワークにより、完全な状態ベクトルを保存せずに大規模回路内の解の状態を効率的に特定でき、古典的メモリボトル neck を効果的に回避した。
• Supremacyベンチマークでは、状態マージプロセスの100回の再帰がわずか160秒で実行された。これは、追加の再帰ごとのマージナルコストが非常に低く、高い実行時間効率を示している。
• MIPベースのカットソルバにより、高品質なカットが自動生成され、後処理の複雑さが低減され、多様なベンチマークに一般化可能である。
• 最先端の古典的シミュレーション [22] と比較して、ScaleQCははるかに少ない計算リソースを要する。類似した精度とサンプル数を達成するにあたり、推定1250コア程度で、対照的に[22]は4200万コアを要した。
• 純粋に古典的シミュレーションよりも実行時間の優位性を達成しており、100万サンプルあたりの時間を短縮した。追加の再帰に伴うコスト増も最小限に抑えられた。