[論文レビュー] Unleashing the Potential of LLMs for Quantum Computing: A Study in Quantum Architecture Design

Zhiding Liang, Jinglei Cheng+7 more|arXiv (Cornell University)|Jul 17, 2023

Machine Learning in Materials Science被引用数 10

ひとこと要約

この論文は QGAS を導入し、Variational Quantum Algorithms のアンザット設計を提案・評価するGPT-4 指向のフレームワークで、限られたプロンプトと人間のフィードバックで最先端手法に対して競争力のある性能を示します。

ABSTRACT

Large Language Models (LLMs) contribute significantly to the development of conversational AI and has great potentials to assist the scientific research in various areas. This paper attempts to address the following questions: What opportunities do the current generation of generative pre-trained transformers (GPTs) offer for the developments of noisy intermediate-scale quantum (NISQ) technologies? Additionally, what potentials does the forthcoming generation of GPTs possess to push the frontier of research in fault-tolerant quantum computing (FTQC)? In this paper, we implement a QGAS model, which can rapidly propose promising ansatz architectures and evaluate them with application benchmarks including quantum chemistry and quantum finance tasks. Our results demonstrate that after a limited number of prompt guidelines and iterations, we can obtain a high-performance ansatz which is able to produce comparable results that are achieved by state-of-the-art quantum architecture search methods. This study provides a simple overview of GPT's capabilities in supporting quantum computing research while highlighting the limitations of the current GPT at the same time. Additionally, we discuss futuristic applications for LLM in quantum research.

研究の動機と目的

• NISQ および FTQC レジーム向けの量子アーキテクチャ設計を現在および将来の GPT がどのように支援できるかを探る。
• VQA のアンザット設計を生成・評価・反復する GPT ガイド付きワークフロー（QGAS）を提案する。
• 化学、金融、組合せ最適化のベンチマーク全体で GPT 由来のアンザットの性能を評価する。
• GPT 主導の設計を導く上での人間のフィードバックの役割を分析し、この分野における GPT の限界を特定する。

提案手法

• 特定のゲートブロックと量子ビット配置を用いたアンザット設計空間を六つ定義する。
• GPT-4 を用いて候補となるアンザット構造を生成し、実行のために GPT-3.5 を経て QASM に変換する。
• 問題特有のハミルトニアン上で生成されたアンザット構造を訓練する（化学はフェルミオン写像を介し、金融/最適化は Ising）。
• ベンチマークを用いてアンザットの性能を評価する（H2O および LiH の分子基底状態エネルギー； Max-Cut、TSP、ポートフォリオ最適化）。
• 人間の専門家フィードバックを取り入れて設計空間をランク付けし、後続の GPT ベース検索（QGAS）を導く。
• ノイズとハードウェアモデル下で QGAS 生成アンザットを最先端ベースライン（UCCSD、QuantumNAS）と比較する。

Figure 1 : Illustration of design and implementation of QGAS. Following an initial encoding issue, GPT-4 suggests an ansatz, which is subsequently processed by a sub-model constructed by GPT-3.5 to convert it into QASM format. To assess the effectiveness of the ansatz, a benchmarking application is

実験結果

リサーチクエスチョン

• RQ1 あらかじめ定義された設計空間内で、GPT-4 は反復的に高品質なアンザット設計を提案できるのか？
• RQ2 ゲート数、忠実度、最適化効率の観点で、GPT ガイド付きアーキテクチャ探索（QGAS）は既存手法とどのように比較されるのか？
• RQ3 ノイズやハードウェア制約下で、GPT 主導の量子回路設計における人間のフィードバックの影響はどの程度か？
• RQ4 フォールトトレラントな量子計算ワークフローを可能にする GPT の限界と将来の可能性は何か？

主な発見

• QGAS は限られた回数のプロンプトと反復で高性能なアンザット設計を生成できる。
• QGAS はポートフォリオ最適化で従来のアーキテクチャの一部を上回るが、時にはゲート数が多くなるという代償を伴う。
• ノイズなし条件で分子基底状態エネルギータスクにおいて、UCCSD と同等以上で、QuantumNAS に近づく成果を示す。
• GPT 主導のプロンプトと人間のフィードバックの組み合わせは、最適化エポックを大幅に削減し、回路深さを導く。
• ノイズ環境下で、QGAS は QuantumNAS より効果的ではないが、それでもランダムに生成されたアンザットよりは優れている。
• 人間のフィードバックは GPT の提案を誘導し、実用的な実現可能性と性能向上のために不可欠である。

Figure 2 : Visualization of benchmark applications. a) Max-Cut problem with 5 nodes. b) Traveling Salesman Problem with 3 nodes. c) Portfolio Optimization problem. d) Molecule structure of $H_{2}O$ . e) Molecule Structure of $LiH$ .