[論文レビュー] SnCQA: A hardware-efficient equivariant quantum convolutional circuit architecture

Han Zheng, Christopher Kang+5 more|arXiv (Cornell University)|Nov 23, 2022

Quantum Computing Algorithms and Architecture参考文献 64被引用数 4

ひとこと要約

本稿では、$S_n$置換対称性および空間格子対称性を尊重する、ハードウェア効率の良い変分量子回路アーキテクチャであるSnCQAを提案する。これにより、スケーラブルで、精度が高く、ノイズに強く、量子機械学習が可能になる。2次元ヘイゼンベルグ模型の基底状態を学習する際、純粋なハードウェア効率の良いアーキテクチャ（pHEA）と比較して、20倍の性能向上と200–1000%のリソース削減を達成した。

ABSTRACT

We propose SnCQA, a set of hardware-efficient variational circuits of equivariant quantum convolutional circuits respective to permutation symmetries and spatial lattice symmetries with the number of qubits $n$. By exploiting permutation symmetries of the system, such as lattice Hamiltonians common to many quantum many-body and quantum chemistry problems, Our quantum neural networks are suitable for solving machine learning problems where permutation symmetries are present, which could lead to significant savings of computational costs. Aside from its theoretical novelty, we find our simulations perform well in practical instances of learning ground states in quantum computational chemistry, where we could achieve comparable performances to traditional methods with few tens of parameters. Compared to other traditional variational quantum circuits, such as the pure hardware-efficient ansatz (pHEA), we show that SnCQA is more scalable, accurate, and noise resilient (with $20 imes$ better performance on $3 imes 4$ square lattice and $200\% - 1000\%$ resource savings in various lattice sizes and key criterions such as the number of layers, parameters, and times to converge in our cases), suggesting a potentially favorable experiment on near-time quantum devices.

研究の動機と目的

• 置換対称性および空間格子対称性を尊重する変分量子回路アーキテクチャを設計し、量子機械学習における効率を向上させること。
• 近い将来のNISQデバイスに適した、対称性を尊重するハードウェア効率の良い量子回路の実装を可能にすること。
• 収束速度、パラメータ数、ノイズ耐性の観点から、従来のpHEAアーキテクチャとの性能をベンチマークすること。
• 対称性に配慮した設計がバーレンプレートフォームのリスクを低減し、量子ノイズに対して耐性を高めるかどうかを調査すること。
• 特に基底状態エネルギー推定において、スケーラビリティと実用的妥当性を示すこと。

提案手法

• QAOAフレームワークに基づく量子回路アーキテクチャを構築し、$S_n$置換対称性および格子自己同型対称性を備える。
• パラメータ化された単一および両量子ビットゲートを用いてハードウェア効率の良いバージョンを実装し、回路の深さとゲート数を最小限に抑える。
• 量子シュール変換を用いた対称性保存型初期化により、有効なヒルベルト空間次元を低減する。
• 隣接するeSWAPと2次のハミルトニアンを用いて、電荷セクター内でのユニバーサル性を確保し、表現力の向上を図る。
• ノイズシミュレーションを適用し、測定ノイズおよび脱コヒーレンスノイズ下での耐性を評価し、pHEAとの性能を比較する。
• 2次元正方形格子上のフラストレーションフリーな反強磁性ヘイゼンベルグ模型に対して、勾配ベースの最適化手法を用いて変分パラメータを最適化する。

実験結果

リサーチクエスチョン

• RQ1 対称性を尊重する量子回路アーキテクチャは、量子機械学習タスクにおいて、標準的なpHEAと比較して、より優れた収束性と低いリソース使用量を達成できるか？
• RQ2 $S_n$置換対称性および空間格子対称性を組み込むことで、変分量子回路のスケーラビリティとノイズ耐性にどのような影響を与えるか？
• RQ3 対称性に配慮した設計は、変分量子アルゴリズムにおけるバーレンプレートフォームのリスクをどの程度低減できるか？
• RQ4 限られた量子ビットコherenceを持つ近い将来の量子デバイスで、対称的アーキテクチャのハードウェア効率の良い実装が実際に可能か？
• RQ5 対称性の活用が、ヘイゼンベルグ模型のような量子多体系の基底状態学習において、性能向上をもたらすか？

主な発見

• SnCQAは、2次元ヘイゼンベルグ模型の基底状態を学習する際、pHEAと比較して収束速度および精度で20倍の性能向上を達成した。
• さまざまな格子サイズにおいて、リソース使用量が200–1000%削減され、レイヤー数、パラメータ数、収束時間が減少した。
• 回路は強いノイズ耐性を示し、測定ノイズおよび脱コヒーレンスノイズ下でも高い性能を維持しており、NISQデバイスにおける実用的妥当性を示唆している。
• 対称性保存型初期化と有効次元の低減により、バーレンプレートフォームが抑制され、トレーニングの安定性が向上した。
• アーキテクチャはスケーラブルで、電荷セクター内でユニバーサルであり、理論的および数値的証拠によりその表現力が裏付けられている。
• デコherenceフリー部分空間と対称性に起因する鞍点回避が、耐性向上に寄与し、観察されたノイズ耐性と整合的である。