[論文レビュー] The Snake Optimizer for Learning Quantum Processor Control Parameters

Paul V. Klimov, J. Kelly+2 more|arXiv (Cornell University)|Jun 8, 2020

Quantum Computing Algorithms and Architecture被引用数 23

ひとこと要約

Snake最適化手法は、グラフベースの分解と動的走査を用いて、高次元で非凸な量子制御キャリブレーション問題を扱いきれる低次元の部分問題に還元する、新規でスケーラブルな最適化フレームワークである。この手法により、グーグルの53キュービットSycamoreプロセッサ上で、人間の専門家と比較して10,000倍の高速化が達成され、2キュービットゲートの中央値誤差が20%低減された。

ABSTRACT

High performance quantum computing requires a calibration system that learns optimal control parameters much faster than system drift. In some cases, the learning procedure requires solving complex optimization problems that are non-convex, high-dimensional, highly constrained, and have astronomical search spaces. Such problems pose an obstacle for scalability since traditional global optimizers are often too inefficient and slow for even small-scale processors comprising tens of qubits. In this whitepaper, we introduce the Snake Optimizer for efficiently and quickly solving such optimization problems by leveraging concepts in artificial intelligence, dynamic programming, and graph optimization. In practice, the Snake has been applied to optimize the frequencies at which quantum logic gates are implemented in frequency-tunable superconducting qubits. This application enabled state-of-the-art system performance on a 53 qubit quantum processor, serving as a key component of demonstrating quantum supremacy. Furthermore, the Snake Optimizer scales favorably with qubit number and is amenable to both local re-optimization and parallelization, showing promise for optimizing much larger quantum processors.

研究の動機と目的

• 数十キュービットのスーパーコンダクター量子プロセッサにおける高精度な量子ロジックゲートのキャリブレーションにおけるスケーラビリティの課題に対処する。
• 非凸的で高次元的かつ高制約性を持つキャリブレーション問題に対して、従来のグローバル最適化手法の非効率性を克服する。
• キュービット数の増加に伴い有利にスケーリングするキャリブレーション戦略を開発し、局所的再最適化と並列化をサポートする。
• 相互に依存するキャリブレーションレイヤー（例：ゲート周波数キャリブレーション）の最適制御パラメータを、迅速かつ自動的に学習可能にする。
• 複雑で結合された量子系のキャリブレーションを加速することで、量子優位性の実証を支援する。

提案手法

• グラフ分割を用いて、制約が独立したキャリブレーション部分目標にグローバルキャリブレーション問題を分解し、独立した最適化領域を分離する。
• 各部分目標を走査が独立したスレッドに分割し、シードベースの走査戦略を用いて再帰的に走査・キャリブレーションする。
• ヒューリスティック駆動の走査ルールを用いて、グラフ要素の順次キャリブレーションをガイドし、パラメータ、制約、走査距離を動的に調整する。
• 局所的再最適化を繰り返し適用することで、システムのドリフトに伴う性能劣化を維持する。
• 制約が独立した部分グラフの並列キャリブレーションを可能とし、キャリブレート済み領域を統合することで、大規模プロセッサへのスケーリングを実現する。
• 走査のガイドや効率の向上のため、強化学習やキャッシュされた誤差モデル評価を潜在的な拡張として統合する。

実験結果

リサーチクエスチョン

• RQ1 スケーラブルな最適化フレームワークは、大規模なスーパーコンダクター量子プロセッサにおける相互に依存する量子制御パラメータのキャリブレーションの計算複雑性を低減できるか？
• RQ2 量子ゲートキャリブレーションにおける高次元的・非凸的・制約付き最適化問題は、どのように扱いきれる部分問題に分解できるか？
• RQ3 動的でグラフベースの走査戦略は、グローバル最適化や手動チューニングと比較して、キャリブレーション速度と忠実度をどの程度向上できるか？
• RQ4 このフレームワークは、システムのドリフトが生じた場合でも、フルリキャリブレーションを伴わずに局所的再キャリブレーションをサポートできるか？
• RQ5 Snake最適化手法は、将来の大規模量子プロセッサにおける並列化とスケーラビリティをどのように実現するか？

主な発見

• Snake最適化手法は、人間の専門家によるチューニングと比較して、53キュービットSycamoreプロセッサのキャリブレーションに要する時間を約10,000倍短縮した。
• 最適化手法は、人間が最適化した構成と比較して、2キュービットゲートの中央値誤差率を20%低減した。
• この手法により、53キュービットSycamoreプロセッサで最先端のシステム性能が達成され、量子優位性の実証に不可欠な要因となった。
• 最適化の複雑性は、$O(N)$次元の問題を、探索空間が指数的に小さい低次元の部分問題に分解することで低減された。
• このフレームワークは局所的再キャリブレーションをサポートしており、劣化または有効期限が切れたパラメータを、フルシステムの再キャリブレーションを伴わずに個別に更新可能である。
• アルゴリズムは制約が独立した部分グラフの並列化に適しており、大規模量子プロセッサのスケーラブルなキャリブレーションを可能にした。