[논문 리뷰] On the Emerging Potential of Quantum Annealing Hardware for Combinatorial Optimization

Byron Tasseff, Tameem Albash외 5명|arXiv (Cornell University)|2022. 10. 09.

Quantum Computing Algorithms and Architecture인용 수 22

한 줄 요약

이 논문은 D-Wave의 Advantage 양자 어닐링을 하드웨어-네이티브 CBFM-P Ising 인스턴스에서 벤치마크하고, 대규모 문제에 대해 고전 휴리스틱에 비해 실행시간 이점이 있을 수 있음을 보이지만 보편적인 속도 향상은 아니다.

ABSTRACT

Over the past decade, the usefulness of quantum annealing hardware for combinatorial optimization has been the subject of much debate. Thus far, experimental benchmarking studies have indicated that quantum annealing hardware does not provide an irrefutable performance gain over state-of-the-art optimization methods. However, as this hardware continues to evolve, each new iteration brings improved performance and warrants further benchmarking. To that end, this work conducts an optimization performance assessment of D-Wave Systems' most recent Advantage Performance Update computer, which can natively solve sparse unconstrained quadratic optimization problems with over 5,000 binary decision variables and 40,000 quadratic terms. We demonstrate that classes of contrived problems exist where this quantum annealer can provide run time benefits over a collection of established classical solution methods that represent the current state-of-the-art for benchmarking quantum annealing hardware. Although this work does not present strong evidence of an irrefutable performance benefit for this emerging optimization technology, it does exhibit encouraging progress, signaling the potential impacts on practical optimization tasks in the future.

연구 동기 및 목표

• 최신 D-Wave Advantage 하드웨어가 하드웨어-네이티브 이징 문제에서 고전 최적화 방법보다 더 나은 성능을 내는지 평가한다.
• 고전 솔버에 도전적이지만 QA 하드웨어에는 다룰 수 있는 문제 클래스와 인스턴스 분포를 특성화한다.
• QA 하드웨어를 사용할 때 문제 규모와 오버헤드에 따른 실행 시간이 어떻게 스케일링되는지 평가한다.
• 실용적 최적화 작업에서 양자 어닐링의 한계와 향후 기회에 대해 논의한다.

제안 방법

• 변수가 {-1,1}인 QUBO로 이징 기반 최적화를 모델링한다.
• Advantage QPU에서 Pegasus 토폴로지에 맞춘 하드웨어-네이티브 CBFM-P 인스턴스를 사용하고, 537? - 실제로는 5,387 변수와 25,324 커플링.
• QA를 고전 알고리즘과 벤치마킹한다: 가장 빠른 좌표 하강법, Gurobi IQP, 시뮬레이티드 어닐링, 스핀-벡터 몬테카를로, 등온적 클러스터링 이동을 포함한 병렬 만능화된 시도.
• 어닐링 시간을 62.5 마이크로초로 고정하고 계산 시간 제어를 위해 애닐 읽기 사이클을 10에서 5,120까지 변화시킨다.
• LEAP를 통한 스핀 반전 변환을 적용하여 제어 오차를 완화하고 최적 솔루션 대비해 보고한다.
• 이상적인 런타임(오버헤드 없음)과 클라우드 서비스 오버헤드를 포함한 월-클록 런타임을 모두 분석한다.

실험 결과

연구 질문

• RQ1 D-Wave Advantage 하드웨어가 특정 대규모 이징 인스턴스에서 고전 방법에 비해 실행 시간 이점을 제공할 수 있는가?
• RQ2 문제 규모가 양자 어닐링과 고급 고전 휴리스틱의 비교 경쟁력에 어떤 영향을 미치는가?
• RQ3 하드웨어-네이티브 인스턴스에서 거의 전역 최적해에 근접하는 해를 달성하는 데 있어 현재 QA 하드웨어의 한계는 무엇인가?
• RQ4 QA 이점을 증폭하기 위한 향후 하드웨어 및 알고리즘 개선의 기회는 무엇인가?

주요 결과

• QA 하드웨어는 대형 하드웨어-네이티브 인스턴스에서 매우 빠르게 고품질 해를 생성할 수 있다.
• 가장 큰 CBFM-P 인스턴스(5,387 변수까지)에서 QA 해는 최적 알려진 해와 0.2% 이내의 범위이며 짧은 실행 시간에서 도달한다.
• 이상적 조건에서 QA는 대형 문제에서 고전 최적화 휴리스틱에 비해 일치 해의 품질을 달성하는 데 최대 약 15배의 런타임 이점을 보였고, 클라우드 오버헤드가 있을 때도 이점은 여전히 상당하다(월-클록에서 약 18배).
• 런타임 이점은 약 1,000 변수부터 뚜렷하게 나타나 문제 규모가 커질수록 커지며, PT-ICM과 SA가 강력한 고전적 경쟁자이다.
• QA 결과는 하드웨어-네이티브 인스턴스의 난이도에 좌우되며 실제 세계의 희소한 문제에 대해 보편적인 속도 향상을 보장하지 않는다.