[논문 리뷰] FLIP: A flexible initializer for arbitrarily-sized parametrized quantum circuits

Frédéric Sauvage, Sukin Sim외 4명|arXiv (Cornell University)|2021. 03. 15.

Quantum Computing Algorithms and Architecture참고 문헌 36인용 수 16

한 줄 요약

FLIP는 메타학습 기반 프레임워크로, 임의의 크기의 파arametrized 양자 회로(PQC)의 초기화 파라미터를 학습하여 최적화 수렴을 크게 향상시킨다. 관련된 PQC 문제의 가족에서 훈련함으로써, 훈련 중에 볼 수 없었던 더 큰 회로로 일반화되며, 바란 플레이트오우트 억제, max-cut QAOA, 1D 페르미-허브드 고유 에너지 추정에서 랜덤 초기화 및 기존 메타학습 초기화보다 뛰어난 성능을 보인다.

ABSTRACT

When compared to fault-tolerant quantum computational strategies, variational quantum algorithms stand as one of the candidates with the potential of achieving quantum advantage for real-world applications in the near term. However, the optimization of the circuit parameters remains arduous and is impeded by many obstacles such as the presence of barren plateaus, many local minima in the optimization landscape, and limited quantum resources. A non-random initialization of the parameters seems to be key to the success of the parametrized quantum circuits (PQC) training. Drawing and extending ideas from the field of meta-learning, we address this parameter initialization task with the help of machine learning and propose FLIP: a FLexible Initializer for arbitrarily-sized Parametrized quantum circuits. FLIP can be applied to any family of PQCs, and instead of relying on a generic set of initial parameters, it is tailored to learn the structure of successful parameters from a family of related problems which are used as the training set. The flexibility advocated to FLIP hinges in the possibility of predicting the initialization of parameters in quantum circuits with a larger number of parameters from those used in the training phase. This is a critical feature lacking in other meta-learning parameter initializing strategies proposed to date. We illustrate the advantage of using FLIP in three scenarios: a family of problems with proven barren plateaus, PQC training to solve max-cut problem instances, and PQC training for finding the ground state energies of 1D Fermi-Hubbard models.

연구 동기 및 목표

• 바랜 플레이트오우트와 국소 최소값으로 인한 변분 양자 알고리즘의 최적화 수렴 성능이 열 劣하는 문제를 해결하기 위해.
• 훈련 세트보다 더 큰 회로를 포함한 다양한 회로 크기로 일반화되는 파라미터 초기화 방법을 개발하기 위해.
• 유사한 PQC 문제의 가족으로부터 문제별 파라미터 패턴을 학습하기 위해 메타학습을 활용하기 위해.
• 랜덤 초기화에 대한 의존도를 줄이고, 근접한 양자 응용 프로그램의 학습 효율성을 향상시키기 위해.
• 작은 회로의 수치 시뮬레이션에서 학습한 결과를 바탕으로 더 큰 하드웨어에서 사용 가능한 확장 가능한 변분 양자 알고리즘의 구현을 가능하게 하기 위해.

제안 방법

• FLIP는 PQC 문제 특징을 초기 파라미터 벡터로 매핑하는 학습 가능한 인코딩-디코딩 아키텍처를 사용한다.
• 이 프레임워크는 문제 특성(예: 그래프 구조, 상호작용 강도 등)에서 최적의 초기 파라미터로의 매핑을 학습하기 위해 고전적 신경망을 사용한다.
• 훈련은 최적 또는 근사 최적 해가 알려진 PQC 인스턴스 데이터셋을 기반으로 수행되어, 미리 보지 못한 문제 크기로의 일반화를 가능하게 한다.
• 이 방법은 아키텍처에 종속되지 않으며, 어떤 PQC 안사즈와도 다양한 큐비트 수, 회로 깊이, 변분 파라미터 수를 지원한다.
• FLIP의 초기화는 문제 특성에 따라 조건화되어 있어, 맞춤형 파라미터 시작점을 제공한다.
• 프레임워크는 전이 학습을 지원한다: 더 작은 회로에서 훈련된 모델은 더 큰 회로를 초기화할 수 있으며, 이는 고전적으로 해석할 수 없는 문제로의 확장 가능성을 제공한다.

실험 결과

연구 질문

• RQ1 메타학습 접근법이 파라미터화된 양자 회로의 초기화를 학습하여, 훈련 중에 볼 수 없었던 더 큰 회로 크기로 일반화할 수 있는가?
• RQ2 바랜 플레이트오우트가 존재하는 상황에서 FLIP의 초기화 성능은 랜덤 초기화 및 다른 메타학습 초기화 전략과 비교해 어떻게 되는가?
• RQ3 FLIP는 QAOA를 사용한 조합 최적화 문제(예: max-cut)의 학습을 효과적으로 가속화할 수 있는가?
• RQ4 FLIP는 1D 페르미-허브드 모델의 기본 상태 에너지 추정과 같은 양자 시뮬레이션 과제에서 수렴을 향상시킬 수 있는가?
• RQ5 FLIP는 관련 문제의 파라미터 공간 패턴을 얼마나 효과적으로 활용하여 다양한 양자 응용 분야에서 더 빠른 최적화를 가능하게 할 수 있는가?

주요 결과

• FLIP는 모든 테스트 시나리오에서 최적화 시간을 줄이고 수렴 속도를 향상시켜 랜덤 초기화보다 뚜렷하게 뛰어난 성능을 보였다.
• max-cut QAOA의 경우, 문제 해밀토니안 기반 초기화 기법을 포함한 다른 초기화 기법들과 비교해 더 빠른 수렴과 더 나은 최종 비용 함수 값을 달성했다.
• FLIP는 훈련 중에 사용된 어떤 회로보다 더 큰 회로를 성공적으로 초기화하여, 확장성과 일반화 능력을 입증했다.
• 1D 페르미-허브드 모델의 경우, 기저 파라미터 공간의 구조가 명백히 활용 가능하지 않은 상황에서도 랜덤 초기화보다 측정 가능한 개선을 보였다.
• 작은 회로에서 학습함으로써 인위적인 문제 설정에서 바랜 플레이트오우트를 억제함으로써, 기존에 조건이 나쁜 최적화 경로에서의 학습 안정성을 향상시킬 수 있음을 시사했다.
• 문제 특성(예: 그래프 조밀도, 상호작용 강도)에 따라 초기 파라미터를 조건화할 수 있는 프레임워크의 능력은 고정된 아키텍처 대비 더 효과적인 초기화를 가능하게 했다.