[論文レビュー] Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage

Manuel S. Rudolph, Jacob Miller+4 more|arXiv (Cornell University)|Aug 29, 2022

Quantum Computing Algorithms and Architecture被引用数 9

ひとこと要約

本論文は、テンソルネットワーク（TN）シミュレーションを用いてパラメータ付き量子回路（PQC）の初期パラメータを事前に最適化する協調的フレームワークを提案する。この手法により、PQCの学習可能性と性能が著しく向上し、バーニングプレートアと呼ばれる学習困難な領域を回避する。古典的計算により行列積状態（MPS）を介して高品質な初期量子状態を生成し、それを効率的な量子ゲートシーケンスに分解することで、量子リソースを最小限に抑えつつ、深さのある量子回路が安定して高品質な解に収束可能となる。

ABSTRACT

While recent breakthroughs have proven the ability of noisy intermediate-scale quantum (NISQ) devices to achieve quantum advantage in classically-intractable sampling tasks, the use of these devices for solving more practically relevant computational problems remains a challenge. Proposals for attaining practical quantum advantage typically involve parametrized quantum circuits (PQCs), whose parameters can be optimized to find solutions to diverse problems throughout quantum simulation and machine learning. However, training PQCs for real-world problems remains a significant practical challenge, largely due to the phenomenon of barren plateaus in the optimization landscapes of randomly-initialized quantum circuits. In this work, we introduce a scalable procedure for harnessing classical computing resources to provide pre-optimized initializations for PQCs, which we show significantly improves the trainability and performance of PQCs on a variety of problems. Given a specific optimization task, this method first utilizes tensor network (TN) simulations to identify a promising quantum state, which is then converted into gate parameters of a PQC by means of a high-performance decomposition procedure. We show that this learned initialization avoids barren plateaus, and effectively translates increases in classical resources to enhanced performance and speed in training quantum circuits. By demonstrating a means of boosting limited quantum resources using classical computers, our approach illustrates the promise of this synergy between quantum and quantum-inspired models in quantum computing, and opens up new avenues to harness the power of modern quantum hardware for realizing practical quantum advantage.

研究の動機と目的

• 近位量子ハードウェア上でパラメータ付き量子回路（PQC）の学習において、バーニングプレートの問題に取り組むこと。
• 量子シミュレーションおよび機械学習における実用的量子優位性を達成するため、PQCの学習可能性と性能を向上させること。
• 古典的テンソルネットワークシミュレーションが、PQCの高品質な初期パラメータ化を提供できることを示し、ランダム初期化への依存を軽減すること。
• 古典的リソース（TNにおける高い結合次元χ）の増加が、量子回路性能の向上にどのように寄与するかを示すこと。
• 古典的と量子的計算の相補的強みを活用することで、『古典的対量子』という対立的思考様式を超え、協調的アプローチを推進すること。

提案手法

• まず、古典的ハードウェア上で、調整可能な結合次元χを制御パrameterとする行列積状態（MPS）テンソルネットワークモデルを用いて、ターゲット量子問題をシミュレートする。
• 得られたMPS波動関数を、レイヤー効率の良い分解プロトコルを用いてSU(4)二量子ビットゲートのシーケンスに分解し、量子回路の初期化を形成する。
• この古典的に事前最適化された量子回路に、さらにパラメータ付きゲートを追加して性能を向上させ、それを実際に量子ハードウェア上で学習する。
• フレームワークは、パラメータ空間の勾配特性が良好な領域にPQCを初期化することで、バーニングプレートを回避する。これは、安定した勾配分散と大きさの維持によって裏付けられる。
• このアプローチにより、従来は勾配の消失により学習不能であった深さのある量子回路が、安定して高品質な解に収束可能となる。
• ハミルトニアン最小化および生成的モデリングタスクにおいて評価され、ランダム初期化されたPQCと比較して、収束性が優れており、訓練損失も低かった。

実験結果

リサーチクエスチョン

• RQ1 古典的テンソルネットワークシミュレーションは、パラメータ付き量子回路の学習可能性を向上させる有効な初期パラメータ化を提供できるか？
• RQ2 結合次元χの増加（＝古典的計算リソースの増加）によって、PQCにおけるバーニングプレートの影響をどの程度軽減できるか？
• RQ3 テンソルネットワークによる事前最適化は、量子機械学習および量子シミュレーションタスクにおいて、収束速度の向上と最終的な性能向上をもたらすか？
• RQ4 この協調的フレームワークは、ランダム初期化されたPQCに見られる指数的勾配減衰に起因する問題を、深さのある量子回路が克服できるか？
• RQ5 最適化ダイナミクスおよび最終的な解の品質という観点から、TN初期化されたPQCとランダム初期化されたPQCの性能はどのように比較できるか？

主な発見

• TNシミュレーションを用いた初期化では、PQCの勾配分散と大きさが、回路の深さや量子ビット数の増加に対してもほぼ一定を保ち、ランダム初期化されたPQCが示す指数的減少とは対照的である。
• 本手法はバーニングプレートを効果的に回避し、従来は勾配の消失により学習不能であった深さのある量子回路が、安定して高品質な解に収束可能となる。
• ハミルトニアン最小化および生成的モデリングタスクにおいて、同一の量子リソースを用いても、TN初期化されたPQCはランダム初期化されたPQCと比較して顕著に低い訓練損失を達成した。
• 古典的TNシミュレーションにおける結合次元χの増加に伴い、PQCの性能が向上しており、より良い初期化へのスケーラブルな道筋が示された。
• 100量子ビットでも、本フレームワークは良好なスケーリングを維持し、勾配安定性を保つためにより大きなχ値が有利であることが示された。
• 本手法は、古典的計算リソースを戦略的に活用することで、量子回路性能を向上させられることを示しており、実用的量子優位性への道筋を短縮する有効な手段である。