[論文レビュー] Similarity-Based Parameter Transferability in the Quantum Approximate Optimization Algorithm

Alexey Galda, Eesh Gupta+5 more|arXiv (Cornell University)|Jul 11, 2023

Quantum Computing Algorithms and ArchitectureComputer Science被引用数 3

ひとこと要約

本論文は、部分グラフ構造とグラフパリティを活用することで、異なるMaxCut問題インスタンス間における最適QAOAパラメータの類似性に基づく予測と転送を可能にするフレームワークを提案する。小さなグラフ（例：N=6）で最適化されたパラメータを、大きなグラフ（最大N=256）に転送しても近似比の損失が1–2%にとどまり、QAOA最適化の高速化を著しく促進し、変分パラメータ探索への依存度を低減する。

ABSTRACT

The quantum approximate optimization algorithm (QAOA) is one of the most promising candidates for achieving quantum advantage through quantum-enhanced combinatorial optimization. A near-optimal solution to the combinatorial optimization problem is achieved by preparing a quantum state through the optimization of quantum circuit parameters. Optimal QAOA parameter concentration effects for special MaxCut problem instances have been observed, but a rigorous study of the subject is still lacking. In this work we show clustering of optimal QAOA parameters around specific values; consequently, successful transferability of parameters between different QAOA instances can be explained and predicted based on local properties of the graphs, including the type of subgraphs (lightcones) from which graphs are composed as well as the overall degree of nodes in the graph (parity). We apply this approach to several instances of random graphs with a varying number of nodes as well as parity and show that one can use optimal donor graph QAOA parameters as near-optimal parameters for larger acceptor graphs with comparable approximation ratios. This work presents a pathway to identifying classes of combinatorial optimization instances for which variational quantum algorithms such as QAOA can be substantially accelerated.

研究の動機と目的

• 大規模な組合せ最適化問題におけるQAOAの変分パラメータ最適化の計算ボトルネックを解消すること。
• あるグラフで得られた最適QAOAパラメータが、別のグラフにおいても効果的に再利用可能となる条件を同定すること。
• 部分グラフ構成やノード次数パリティといった局所的グラフ特性に基づいた、パラメータ転送可能性の予測フレームワークを確立すること。
• 古典的に解ける小さなインスタンスから得たパラメータを転送することで、大規模な量子デバイスにおける時間のかかるパラメータ最適化の必要性を低減すること。
• 変分最適化ステップを最小限に抑えることで、近位量子ハードウェアへのQAOAの迅速な展開を促進すること。

提案手法

• 著者らは、QAOA回路深さp=1を用いて、ドナーとアセプターのグラフ間の部分グラフレベルの類似性を分析し、部分グラフを定義する局所的グラフ構造（ライトコーン）に注目する。
• QTensorテンソルネットワークシミュレータを用いて部分グラフのQAOAエネルギーを計算し、最大1,000ノードのグラフに対しても高速な評価を可能にする。
• 近似比を用いて転送可能性を評価し、ドナーの最適化済みパラメータによるQAOAエネルギーと古典的最適解を比較する。
• ノードの総次数のパリティで定義されるグラフパリティは、ドナー・アセプター間の転送可能性を予測するグローバル類似性指標として用いられる。
• 最大ノード接続数d_max=6の部分グラフに対して、転送可能性マップを構築し、パラメータ再利用の体系的予測を可能にする。
• ランダムグラフ（6〜256ノード）を対象に、偶数パリティおよび奇数パリティのグラフクラスの両方において、パラメータ再利用の検証が行われた。

Figure 1: Schematic pipeline of a QAOA circuit. A parametrized ansatz is initialized, followed by series of applied unitaries that define the depth of the circuit. Finally, measurements are made in the computational basis, and the variational angles are classically optimized. This hybrid quantum-cla

実験結果

リサーチクエスチョン

• RQ1 小さなグラフで最適化されたQAOAパラメータを、近似比の損失を最小限に抑えて大規模グラフに転送できるか？
• RQ2 特にライトコーン構造における部分グラフレベルの類似性は、QAOAインスタンス間のパラメータ転送可能性をどのように予測するか？
• RQ3 ノード次数のパリティで定義されるグラフパリティは、ドナーとアセプター間のパラメータ転送成功にどの程度寄与するか？
• RQ4 大規模グラフにおける完全な最適化を実施せずに、パラメータ転送可能性を予測できるか。これによりQAOA実行が高速化できるか？
• RQ5 部分グラフの複雑さが増すにもかかわらず、QAOA回路深さp > 1にスケーリングした場合でも、本手法は有効に機能するか？

主な発見

• 6ノードのランダムグラフで最適化されたQAOAパラメータは、64、128、256ノードのランダムグラフに転送された際、最適解との近似比が1–2%の範囲内に収まった。
• 偶数正則部分グラフ同士、および奇数正則部分グラフ同士では、良好なパラメータ転送が一貫して観察されたが、偶数正則と奇数正則のペア間では劣悪な転送が見られた。
• 部分グラフ類似性とパリティ類似性は強く相関しており、両要因が併せて転送可能性の正確な予測を可能にした。
• QTensorテンソルネットワークシミュレータのおかげで、p=1における大規模グラフ（N~1,000）のエネルギー評価が高速化され、部分グラフレベルの解析が計算的に実行可能になった。
• ドナーのグラフがアセプターのグラフよりもはるかに小さくても、パラメータ転送可能性は頑健であったため、ドナーのスケーリングが必要なくなった。
• 変分最適化の必要性が大幅に削減され、好都合な状況では最適化ステップそのものを排除できる可能性が示された。

Figure 2: Landscapes of energy contributions for individual subgraphs of 3- (top row), 4- (middle row), and 5-regular (bottom row) random graphs, as a function of QAOA parameters $\beta\in({0,\pi})$ and $\gamma\in(0,2\pi)$ . All subgraphs of 3- and 5- regular graphs have maxima located in the relati