[논문 리뷰] GA4QCO: Genetic Algorithm for Quantum Circuit Optimization

Leo Sünkel, Darya Martyniuk외 3명|arXiv (Cornell University)|2023. 02. 02.

Quantum Computing Algorithms and Architecture인용 수 11

한 줄 요약

GA4QCO은 유전 알고리즘을 사용하여 사용자 정의 적합도 함수로 안내되는 양자 회로를 자동으로 생성하고 최적화하며, fidelity 목표와 제한된 게이트 세트로 시연합니다.

ABSTRACT

The design of quantum circuits is often still done manually, for instance by following certain patterns or rule of thumb. While this approach may work well for some problems, it can be a tedious task and present quite the challenge in other situations. Designing the architecture of a circuit for a simple classification problem may be relatively straightforward task, however, creating circuits for more complex problems or that are resilient to certain known problems (e.g. barren plateaus, trainability, etc.) is a different issue. Moreover, efficient state preparation or circuits with low depth are important for virtually most algorithms. In attempts to automate the process of designing circuits, different approaches have been suggested over the years, including genetic algorithms and reinforcement learning. We propose our GA4QCO framework that applies a genetic algorithm to automatically search for quantum circuits that exhibit user-defined properties. With our framework, the user specifies through a fitness function what type of circuit should be created, for instance circuits that prepare a specific target state while keeping depth at a minimum and maximizing fidelity. Our framework is designed in such a way that the user can easily integrate a custom designed fitness function. In this paper, we introduce our framework and run experiments to show the validity of the approach.

연구 동기 및 목표

• NISQ 한계와 복잡한 학습 가능성 이슈에 대처하기 위한 자동 양자 회로 설계 동기 부여.
• 사용자가 회로 설계 방향을 결정하는 맞춤형 적합도 함수를 정의하는 프레임워크를 제공.
• 프레임워크를 시연하여 대상 상태에 대한 fidelity를 최적화하고 게이트-세트 제약 하에서 시연.

제안 방법

• 각 회로를 게이트 유형, 큐비트, 매개변수, 연결성에 대한 메타데이터와 함께 n×m 격자로 표현.
• 사용자 정의 적합도 함수를 통해 진화가 원하는 회로 특성으로 안내되도록 허용.
• GA 구성요소(집단, 선택, 교차, 돌연변이) 및 토너먼트/룰렛/무작위 선택, 단일/다중 지점/블록 단위 교차와 같은 전략.
• 다양한 돌연변이 연산자 지원(게이트 뒤집기, 큐비트/게이트 수 변경, 열 교환, 매개변수 조정).
• 교차 전에 회로를 같은 크기로 패딩하고 교차 후 다중 큐비트 게이트를 재구성.
• 구현은 Python과 Qiskit으로 수행하고 구성 가능한 인구, 세대, 깊이, 게이트 세트를 실험할 수 있도록 GitHub 저장소를 공개.

실험 결과

연구 질문

• RQ1 GA 기반 프레임워크가 주어진 목표 상태와 함께 높은 fidelity를 달성하는 양자 회로를 발견할 수 있는가?
• RQ2 게이트 세트 제약이 GA가 거의 최적 회로에 도달하는 능력에 어떤 영향을 미치는가?
• RQ3 회로 깊이와 폭 제약이 최적화 결과에 어떤 영향을 미치는가?
• RQ4 사용자 정의 적합도 함수가 fidelity를 넘어 특정 회로 특성(예: 얽힘, ML 목표)으로 검색을 안내할 수 있는가?

주요 결과

• 게이트 제약 없이 fidelity 최적화는 1000세대에서 지속적으로 향상된 적합도 0.8 근처까지 진행되었고, 모집단은 200이었다.
• 제한된 게이트 세트 {id, rz, sx, x, cx}에서 최적 fidelity는 0.994(1.0 중)까지 도달했고 10번 실행에서 랜덤 베이스라인을 능가했습니다(최고의 무작위 ~0.79, 평균 ~0.29).
• 실험은 깊이 20인 4 큐비트 회로를 사용하여 프레임워크가 무작위 추측보다 대상 상태 fidelity를 개선할 수 있음을 보여줍니다.
• 프레임워크는 커스텀 적합도 함수가 검색을 작업 특성 회로로 안내할 수 있음을 쉽게 보여줍니다.
• 결과는 Python과 Qiskit으로 구현되었고 재현성을 위해 공개 GitHub 저장소에 위치합니다.