[論文レビュー] TensorCircuit: a Quantum Software Framework for the NISQ Era

Shi‐Xin Zhang, Jonathan Allcock+14 more|arXiv (Cornell University)|May 20, 2022

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

TensorCircuit は、テンソルネットワークの縮約に基づいて構築されたオープンソースの量子ソフトウェアフレームワークであり、NISQ時代における大規模なパラメータ化された量子回路の高性能シミュレーションを可能にします。機械学習バックエンドを活用して自動微分、JITコンパイル、ハードウェアアクセラレーションを実現し、低深さかつ1次元接続性を持つ回路で最大600量子ビットのシミュレーションを達成し、既存のシミュレーターよりも桁違いの高速化を実現しています。

ABSTRACT

TensorCircuit is an open source quantum circuit simulator based on tensor network contraction, designed for speed, flexibility and code efficiency. Written purely in Python, and built on top of industry-standard machine learning frameworks, TensorCircuit supports automatic differentiation, just-in-time compilation, vectorized parallelism and hardware acceleration. These features allow TensorCircuit to simulate larger and more complex quantum circuits than existing simulators, and are especially suited to variational algorithms based on parameterized quantum circuits. TensorCircuit enables orders of magnitude speedup for various quantum simulation tasks compared to other common quantum software, and can simulate up to 600 qubits with moderate circuit depth and low-dimensional connectivity. With its time and space efficiency, flexible and extensible architecture and compact, user-friendly API, TensorCircuit has been built to facilitate the design, simulation and analysis of quantum algorithms in the Noisy Intermediate-Scale Quantum (NISQ) era.

研究の動機と目的

• ノイズの多い中規模量子（NISQ）時代における、大規模で複雑なパラメータ化された量子回路の効率的シミュレーションの増大するニーズに対応すること。
• 高いパラメータ数と深さを持つ変分量子アルゴリズムを扱う際の、既存のシミュレータの限界を克服すること。
• 自動微分、JITコンパイル、ハードウェアアクセラレーションを含む、現代の機械学習エンジニアリング手法を量子シミュレーションフレームワークに統合すること。
• 中程度の回路深さと1次元接続性を備えた、最大600量子ビットのスケーラブルなシミュレーションを可能にし、高度な量子アルゴリズムの開発と分析を支援すること。

提案手法

• テンソル縮約を用いた効率的な量子回路シミュレーションを実現する柔軟なテンソルネットワークエンジンの構築。
• 自動微分とJITコンパイルを可能にするために、業界標準の機械学習フレームワーク（例：TensorFlow）をバックエンドとして採用。
• MLライブラリとの統合により、ベクトル化された並列処理とハードウェアアクセラレーションを実現し、GPU上でのパフォーマンス向上を図る。
• 条件付き測定、後選択、パウリストリングの期待値評価といった高度な機能を、バッチ処理用の vmap を用いて実装。
• 量子状態と演算子を表現するための QuOperator および QuVector クラスを提供し、モジュラーで拡張可能な回路構築を可能にする。
• 収縮パスの最適化と部分木の再構成をカスタマイズ可能にすることで、テンソルネットワークの縮約パフォーマンスを最適化。

実験結果

リサーチクエスチョン

• RQ1 テンソルネットワークベースの量子回路シミュレータは、変分量子アルゴリズムをサポートしつつ、既存のシミュレーターよりも桁違いの高速化を達成できるか？
• RQ2 機械学習フレームワークとの統合が、量子回路シミュレーションにおけるパフォーマンスと使いやすさをどの程度向上できるか？
• RQ3 テンソルネットワークの縮約は、最大600量子ビットかつ低次元接続性を持つ大規模な量子回路をどの程度効率的にシミュレートできるか？
• RQ4 純粋なPythonフレームワーク内で、バッチ化された勾配計算、モンテカルロノイズシミュレーション、条件付き測定といった高度な機能を効率的にサポートできるか？
• RQ5 NISQの文脈において、テンソルネットワーク手法と現代の機械学習エンジニアリング手法を統合したシミュレータのパフォーマンスの限界はどこか？

主な発見

• TensorCircuit は、2量子ビットゲートの1次元ラダー構造を用いて、最大600量子ビットかつ中程度の深さの回路を効率的にシミュレートし、一般的なシミュレーターよりもスケーラビリティを大幅に超えることを実証した。
• 7層・4900ゲートを有する600量子ビットの横磁場イジング模型（TFIM）に対して、ハイパーパrameterのチューニングなしで、基底状態エネルギーの精度が99.4%に達した。
• NVIDIA A100 40GB GPUを用いた600量子ビットケースでは、1ステップあたりの計算時間が18.2秒であり、エネルギー期待値と勾配計算の両方を含んでいた。
• 特に変分量子エネルギーエンジニアリング（VQE）ワークフローにおいて、一般的な量子ソフトウェアと比較して桁違いの高速化を達成した。
• 2量子ビットゲートにSVD分解を適用することで、XX型ゲートでは結合次元を d=2 にまで低減し、より効率的なテンソルネットワークの縮約を可能にした。
• vmap と vectorized_value_and_grad を用いたバッチ処理により、複数の入力状態や回路パラメータに対するコスト関数と勾配の評価が効率的に行え、最適化が加速された。