[논문 리뷰] Alibaba Cloud Quantum Development Platform: Applications to Quantum Algorithm Design

Cupjin Huang, Márió Szegedy외 4명|arXiv (Cornell University)|2019. 09. 05.

Quantum Computing Algorithms and Architecture참고 문헌 19인용 수 16

한 줄 요약

이 논문은 대규모 양자 알고리즘 테스트를 가능하게 하는 고성능 고전적 시뮬레이션 환경인 알리바바 클라우드 양자 개발 플랫폼(AC-QDP)을 제시한다. 이 플랫폼은 텐서 네트워크를 활용하여 QAOA 회로에서 최대 4,000 큐비트를 시뮬레이션할 수 있으며, 깊이 4에서 3-정규 그래프에 대해 완전한 이sovomorphism 분리가 가능하고, QAOA 에너지 레이아웃이 삼각형 수와 같은 그래프의 구조적 불변량을 포함하고 있음을 드러낸다.

ABSTRACT

We report our work on the Alibaba Cloud Quantum Development Platform (AC-QDP). The capability of AC-QDP's computational engine was already reported in \cite{CZH+18, ZHN+19}.In this follow-up article, we demonstrate with figures how AC-QDP helps in testing large-scale quantum algorithms (currently within the QAOA framework). We give new benchmark results on regular graphs. AC-QDP's QAOA framework can simulate thousands of qubits for up to $4$ layers. Then we discuss two interesting use cases we have implemented on the platform: 1. Optimal QAOA sequences for small-cycle free graphs; 2. Graph structure discovery.

연구 동기 및 목표

• 대규모 양자 알고리즘 테스트를 위한 확장 가능한 고전적 시뮬레이션 플랫폼을 개발하는 것, 특히 QAOA 프레임워크 내에서.
• QAOA 에너지 함수가 비이sovomorphism 그래프를 완전히 구분할 수 있는지, 특히 소순환 없는 또는 정규 그래프와 같은 어려운 케이스에서의 가능성을 조사하는 것.
• QAOA 기반 에너지 레이아웃을 활용하여 그래프의 구조 탐색 및 유사도 검출을 탐색하는 것.
• 3-정규 및 강한 정규 그래프를 포함한 복잡한 그래프 가족에서 플랫폼의 성능을 벤치마킹하여 시뮬레이션 한계를 평가하는 것.

제안 방법

• 상태벡터 시뮬레이션의 지수적 메모리 비용을 극복하기 위해 고전적 시뮬레이션을 효율적으로 수행하는 텐서 네트워크 기반 계산 엔진을 사용한다.
• 매개변수화된 혼합 및 비용 해밀토니안을 갖는 QAOA 앤사즈를 활용한다: $|\vec{\gamma},\vec{\beta}\rangle = e^{-i\beta_p\hat{B}}e^{-i\gamma_p\hat{C}} \cdots e^{-i\beta_1\hat{B}}e^{-i\gamma_1\hat{C}}(|+\rangle)^{\otimes n}$, 여기서 $\hat{B} = \sum_i X_i$ 이고 $\hat{C} = \sum_j \hat{C}_j$ 이다.
• QAOA 에너지 함수 $F_p(\vec{\gamma},\vec{\beta}) = \langle \vec{\gamma},\vec{\beta} | \hat{C} | \vec{\gamma},\vec{\beta} \rangle$ 를 $\vec{\gamma}, \vec{\beta}$ 의 고전적 최적화를 위한 목표 함수로 계산한다.
• 정규 그래프에서의 구조적 진화를 시뮬레이션하기 위해 무작위 엣지 교환 마르코프 체인을 적용하며, QAOA 에너지 레이아웃의 변화를 추적한다.
• 다중 매개변수 QAOA 에너지 벡터 $x_i = [F_i(\vec{\beta}^1,\vec{\gamma}^1), \dots, F_i(\vec{\beta}^k, \vec{\gamma}^k)]$ 를 사용하여 그래프 유사도를 표현하고 비교한다.
• 깊이 1 및 깊이 4 QAOA 시뮬레이션을 통해 3-정규 그래프의 삼각형 수와 같은 불변량을 분석하고, 직접적인 기능적 의존성을 드러낸다.

실험 결과

연구 질문

• RQ1 QAOA 에너지 함수는 비이sovomorphism 그래프를 완전히 구분할 수 있는가, 특히 3-정규 또는 강한 정규 그래프와 같은 어려운 케이스에서?
• RQ2 QAOA 에너지 레이아웃은 삼각형 수나 차수 순서와 같은 내재된 그래프 불변량을 어느 정도 반영하는가?
• RQ3 QAOA 기반 에너지 차이가 그래프 유사도 또는 구조적 진화에 신뢰할 수 있는 지표로 사용될 수 있는가?
• RQ4 AC-QDP와 같은 고전적 시뮬레이션 플랫폼이 QAOA에 대해 실질적으로 도달할 수 있는 최대 큐비트 수와 회로 깊이 범위는 무엇인가?
• RQ5 무작위로 구조적 변화가 가해진 그래프(엣지 교환을 통한)에서 QAOA 에너지 레이아웃의 진화는 어떻게 나타나는가?

주요 결과

• AC-QDP는 최대 4,000 큐비트와 4층의 QAOA 회로를 성공적으로 시뮬레이션하여 일반적인 고전적 시뮬레이션 한계를 초월한 확장성을 입증했다.
• 20개 노드를 가진 3-정규 그래프 중 4,060개의 비이sovomorphism 그래프에 대해 깊이 4에서 QAOA가 모든 쌍을 완전히 분리함으로써 강력한 이sovomorphism 분리 능력을 보였다.
• 깊이 1 QAOA 에너지는 3-정규 그래프의 경우 노드 수, 차수 순서, 삼각형 수에만 의존하며, 직접적인 기능적 관계를 수립했다.
• 3-정규 그래프에서의 무작위 보행은 QAOA 에너지 차이가 스텝 수에 비례해 증가함을 보여주며, QAOA 레이아웃이 구조적 진화를 감지할 수 있음을 시사한다.
• 깊이 4에서 Cai-Fürer-Immerman 그래프(크기 40)는 플랫폼이 구분하지 못했고, 깊이 5는 여전히 접근 불가능함—향후 시뮬레이터의 어려운 벤치마크로 부각됨.
• 같은 삼각형 수를 가진 그래프들은 깊이 1 QAOA 레이아웃에서 별개의 군집을 이룸으로써, QAOA 에너지가 구조적 불변량을 포함하고 있음을 확인했다.