[論文レビュー] TensorLy-Quantum: Quantum Machine Learning with Tensor Methods

Taylor L. Patti, Jean Kossaifi+2 more|arXiv (Cornell University)|Dec 19, 2021

Parallel Computing and Optimization Techniques被引用数 5

ひとこと要約

TensorLy-Quantum は、テンソルネットワーク手法を活用した、PyTorch ベースで GPU アクcelerated な量子回路シミュレータであり、大規模量子回路の効率的シミュレーションを可能にする。因子分解されたテンソル表現と TensorLy エコシステムを介した最適化されたテンソル結合により、1 枚の GPU で数百量子ビット、複数の GPU で数千量子ビットの世界記録的シミュレーションを実現し、部分トレースにおいて QuTiP よりも最大 4 時間の高速化を達成している。

ABSTRACT

Simulation is essential for developing quantum hardware and algorithms. However, simulating quantum circuits on classical hardware is challenging due to the exponential scaling of quantum state space. While factorized tensors can greatly reduce this overhead, tensor network-based simulators are relatively few and often lack crucial functionalities. To address this deficiency, we created TensorLy-Quantum, a Python library for quantum circuit simulation that adopts the PyTorch API. Our library leverages the optimized tensor methods of the existing TensorLy ecosystem to represent, simulate, and manipulate large-scale quantum circuits. Through compact tensor representations and efficient operations, TensorLy-Quantum can scale to hundreds of qubits on a single GPU and thousands of qubits on multiple GPUs. TensorLy-Quantum is open-source and accessible at https://github.com/tensorly/quantum

研究の動機と目的

• テンソルネットワーク手法をサポートする、効率的で拡張可能かつ機械学習に統合された量子シミュレータの不足に対処すること。
• 因子分解されたテンソル表現と最適化された結合を活用して、大規模量子系のシミュレーションにかかる計算オーバーヘッドを低減すること。
• 分解や回帰などの高度なテンソル代数を量子シミュレーションに統合し、表現力とパフォーマンスを向上させること。
• 自動微分とスケーラブルなシミュレーションをサポートする、PyTorch 互換で GPU アクセelerated なバックエンドを提供すること。
• MaxCut やマルコフ連鎖モンテカルロを用いた QML などの複雑な量子プロトコルを、大規模にシミュレートできること。

提案手法

• ライブラリは、量子状態、ゲート、演算子を因子分解されたテンソルとして表現する PyTorch スタイルの API を使用し、エンドツーエンド微分可能な量子回路シミュレーションを実現する。
• 量子状態のコンactな表現とメモリ使用量の指数的削減を実現するため、テンソルトレイン（TT）および行列積状態（MPS）表現を採用する。
• 部分トレースや期待値計算といった量子操作は、密度テンソルに再構築することなく、因子分解されたテンソル形式そのままで実行される。
• テンソル結合は Opt-Einsum ライブラリを用いて最適化され、cuQuantum を介した GPU 加速により、大規模テンソルネットワークにおける高性能計算が可能になる。
• ライブラリは PyTorch の完全な Autograd サポートを継承しており、量子機械学習ワークフローにおける効率的な勾配計算が可能になる。
• 広範な TensorLy エコシステムと統合されており、テンソル分解、回帰、変換ツールへのアクセスが可能になり、他の科学的計算バックエンドとのシームレスな相互運用性が実現される。

実験結果

リサーチクエスチョン

• RQ1 因子分解された表現を用いたテンソルネットワークベースのシミュレーションは、密度テンソル表現の限界を超えてスケーラブルな量子回路シミュレーションを可能にするか？
• RQ2 GPU アクセelerated なテンソル結合と最適化された結合パスは、大規模量子回路のシミュレーションパフォーマンスをどの程度向上させるか？
• RQ3 PyTorch 互換で微分可能な量子シミュレータは、分解や回帰といった高度なテンソル代数操作を、量子機械学習パイプラインにどの程度効果的に統合できるか？
• RQ4 特に GPU において、MaxCut などの量子最適化問題の世界記録的シミュレーションを実現できるか？
• RQ5 速度とメモリ効率の観点から、伝統的な密度状態シミュレータ（例：QuTiP）と比較して、テンソルベースのシミュレーションはどの程度優れているか？

主な発見

• 20 クイボット系において、CPU で最大 200 倍、GPU で最大 40,000 倍の高速化が、QuTiP と比較して達成された。
• 500 クイボットの横磁場イジング模型ハミルトニアン（5,000 ゲート）を、1 枚の A100 GPU で 10 秒未満で全勾配計算（バックプロパゲーション経由）でシミュレートに成功した。
• 単一 GPU での最大 MaxCut シミュレーションで世界記録を更新し、cuQuantum バックエンドによる加速を経て、複数 GPU 環境で数千量子ビットまでスケーリング可能となった。
• 因子分解されたテンソル手法を用いない場合、25 クイボットの系をシミュレートするには約 10^6 GB のメモリが必要となり、密度表現ではシミュレーションが不可能になる。
• PyTorch Autograd の統合により、量子回路の完全な微分可能性が実現され、変動量子アルゴリズムの効率的学習が可能になった。
• MaxCut 用のマルチベーシスエンコーディングや、マルコフ連鎖モンテカルロに基づく QML といった、従来の量子シミュレーションを越えた新機能をサポートしており、拡張性の高さが裏付けられた。