[논문 리뷰] A semi-agnostic ansatz with variable structure for quantum machine learning

M. Bilkis, M. Cerezo외 3명|arXiv (Cornell University)|2021. 03. 11.

Quantum Computing Algorithms and Architecture참고 문헌 132인용 수 32

한 줄 요약

가변 구조의 항등으로 초기화된 애산츠(VAns)를 도입하여 양자 회로를 성장시키고 가지치기하여 얕은 깊이를 유지하고 양자 머신 러닝 작업에서 학습 가능성과 잡음에 대한 회복력을 향상시킨다.

ABSTRACT

Quantum machine learning -- and specifically Variational Quantum Algorithms (VQAs) -- offers a powerful, flexible paradigm for programming near-term quantum computers, with applications in chemistry, metrology, materials science, data science, and mathematics. Here, one trains an ansatz, in the form of a parameterized quantum circuit, to accomplish a task of interest. However, challenges have recently emerged suggesting that deep ansatzes are difficult to train, due to flat training landscapes caused by randomness or by hardware noise. This motivates our work, where we present a variable structure approach to build ansatzes for VQAs. Our approach, called VAns (Variable Ansatz), applies a set of rules to both grow and (crucially) remove quantum gates in an informed manner during the optimization. Consequently, VAns is ideally suited to mitigate trainability and noise-related issues by keeping the ansatz shallow. We employ VAns in the variational quantum eigensolver for condensed matter and quantum chemistry applications, in the quantum autoencoder for data compression and in unitary compilation problems showing successful results in all cases.

연구 동기 및 목표

• NISQ 기기에서 학습 가능성 저하와 잡음으로 인한 문제를 완화하기 위해 양자 머신 러닝을 위한 얕고 학습 가능한 애산츠 설계를 동기화한다.
• 표현성(expressibility)과 학습가능성의 균형을 맞추기 위해 양자 회로를 점진적으로 확장하고 압축하는 가변 구조 애산츠(VAns)를 제안한다.
• VQE, 양자 오토인코더, 유니터리 컴파일 등에 걸쳐 VAns를 시연하여 광범위한 적용 가능성을 보여준다.
• 실제 노이즈 모델 하에서 기저 상태 준비를 벤치마킹하여 VAns의 하드웨어 노이즈에 대한 회복력을 보여준다.

제안 방법

• 초기 회로에서 시작하여 게이트 사전에서 항등을 컴파일하는 게이트 블록을 점진적으로 삽입하는 VAns 프레임워크를 정의한다.
• 삽입/단순화의 이산적 아키텍처 탐색이 외부 루프에서, 연속 파라미터 최적화가 내부 루프에서 발생하는 중첩 최적화 루프를 사용한다.
• Identity로 컴파일되는 사전에서 게이트를 사용하여 회로를 확장하는 Insertion을 적용하고, 필요 없는 게이트를 제거하고 깊이를 줄이는 Simplification 단계를 따라 수행한다.
• 회로 성능을 exp(-β ΔC/ C0) 확률로 오르막 이동을 허용하는 메트로폴리스와 유사한 수용 기준을 통해 평가한다.
• 하드웨어 및 문제 대칭에 맞춘 게이트 사전을 활용하여 문제 및 하드웨어 인식 애산츠를 구축한다.
• 잡음 벤치마킹을 포함하여 VQE 기저 상태 문제, 양자 오토인코더 및 유니터리 컴파일에 대한 적용 가능성을 시연한다.

실험 결과

연구 질문

• RQ1 가변 구조 애산츠가 동적으로 회로 깊이를 확장하고 가지치기하여 NISQ 기기에서 학습 가능성을 유지할 수 있는가?
• RQ2 VAns 접근법이 VQE, 양자 오토인코더 및 회로 컴파일 전반에서 작업 성능을 보존하거나 향상시키면서 더 얕고 소음에 더 강한 회로를 제공하는가?
• RQ3 삽입 및 단순화 규칙이 도달 가능한 아키텍처 하이퍼스페이스와 최종 비용에 어떻게 영향을 미치는가?
• RQ4 메트로폴리스 유사 수용 메커니즘이 더 나은 아키텍처로 탐색하는 데 미치는 영향은 무엇인가?
• RQ5 하드웨어 제약에 맞춰 설계된 게이트 사전이 성능을 개선하고 깊이를 줄일 수 있는가?

주요 결과

• VAns는 최적화 과정에서 회로를 확장하고 압축함으로써 짧은 깊이의 애산츠를 생성한다.
• 삽입, 단순화 및 연속 파라미터 학습이 포함된 중첩 최적화 루프는 학습 가능성과 노이즈 문제를 완화하면서 효과적인 작업 성능을 제공한다.
• VAns는 기저 상태 준비(VQE), 양자 오토인코딩 및 유니터리 컴파일 작업에서 유리한 결과로 시연된다.
• 이 접근 방식은 기저 상태 벤치마킹에서 하드웨어 노이즈에 대한 회복력을 보인다.
• 이 방법은 고정 구조 아키텍처를 넘어 작업 지향적이고 NISQ 친화적인 애산츠 설계로 일반화된다.