[논문 리뷰] PennyLane: Automatic differentiation of hybrid quantum-classical computations

Ville Bergholm, Josh Izaac외 66명|arXiv (Cornell University)|2018. 11. 12.

Quantum Computing Algorithms and Architecture인용 수 562

한 줄 요약

PennyLane은 Python 프레임워크로, 하이브리드 양자-고전 계산을 위한 미분 가능 프로그래밍을 가능하게 하여 양자 노드와 고전 처리 전반에 걸친 그라디언트 기반 최적화를 수행하고, 하드웨어와 시뮬레이터를 위한 플러그인 지원을 제공합니다.

ABSTRACT

PennyLane is a Python 3 software framework for differentiable programming of quantum computers. The library provides a unified architecture for near-term quantum computing devices, supporting both qubit and continuous-variable paradigms. PennyLane's core feature is the ability to compute gradients of variational quantum circuits in a way that is compatible with classical techniques such as backpropagation. PennyLane thus extends the automatic differentiation algorithms common in optimization and machine learning to include quantum and hybrid computations. A plugin system makes the framework compatible with any gate-based quantum simulator or hardware. We provide plugins for hardware providers including the Xanadu Cloud, Amazon Braket, and IBM Quantum, allowing PennyLane optimizations to be run on publicly accessible quantum devices. On the classical front, PennyLane interfaces with accelerated machine learning libraries such as TensorFlow, PyTorch, JAX, and Autograd. PennyLane can be used for the optimization of variational quantum eigensolvers, quantum approximate optimization, quantum machine learning models, and many other applications.

연구 동기 및 목표

• 근접한 시점의 양자 컴퓨팅에서 하이브리드 양자-고전 최적화의 필요성을 동기화한다.
• 양자와 고전 계산을 하나로 통합하는 차분 프로그래밍 프레임워크를 소개한다.
• 그라디언트를 양자 노드를 통해 계산하여 엔드 투 엔드 최적화를 가능하게 하는 방법을 보여준다.
• 변분 양자 알고리즘 및 양자 기계 학습에서의 사용 사례를 시연한다.
• 하드웨어와 시뮬레이터에 연결하는 확장 가능한 플러그인 기반 아키텍처를 제공한다.

제안 방법

• 고전 노드와 양자 노드를 결합한 방향성 비정렬 그래프(DAG)로 계산을 표현한다( QNodes ).
• 하이브리드 그래프를 통해 그래디언트를 역전파하여 모든 변수를 업데이트하기 위해 자동 미분을 사용한다.
• 변분 회로를 실행하고 기대값, 분산, 확률 또는 상태를 반환하는 양자 노드를 제공한다.
• 매개변수 시프트 규칙 및 유한 차분을 포함한 해석적, 하드웨어 호환 가능, 수치적 그래디언트 방법을 제공한다.
• 역전파 가능 시뮬레이터 및 디바이스 제공 그래디언트를 지원하며, 최적의 그래디언트 방법을 선택하는 기본 휴리스틱을 포함한다.
• 여러 양자 백엔드(하드웨어 및 시뮬레이터)와의 연결을 위한 플러그인 시스템과 Autograd, TensorFlow, PyTorch, JAX와 같은 ML 라이브러리 인터페이스를 포함한다.

실험 결과

연구 질문

• RQ1 하이브리드 양자-고전 계산을 통해 그래디언트를 어떻게 계산하고 전파할 수 있는가?
• RQ2 다양한 백엔드에서의 변분 양자 회로에 대한 가장 효과적인 그래디언트 전략은 무엇인가?
• RQ3 통합 프레임워크가 양자 노드를 고전 ML 파이프라인 및 하드웨어 백엔드와 원활하게 통합할 수 있는가?
• RQ4 변분 양자 알고리즘 및 양자-고전 ML 작업을 위한 실용적 아키텍처와 템플릿은 무엇인가?

주요 결과

• PennyLane은 노드의 DAG를 통한 역전파를 사용하여 양자 및 고전 구성 요소 간의 그래디언트 기반 최적화를 가능하게 한다.
• 프레임워크는 여러 그래디언트 전략(해석적, 하드웨어 기반, 역전파, 유한 차분)을 지원하며 회로 및 디바이스별로 최적의 방법을 자동으로 선택한다.
• 변분 회로를 래핑하는 QNodes를 제공하고, 다양한 측정 유형을 지원하며, 엔드투엔드 학습을 위해 주요 ML 라이브러리와 통합된다.
• Plugin은 하드웨어 및 시뮬레이터(예: Xanadu Cloud, Amazon Braket, IBM Quantum)에 연결되며 실제 디바이스에서 최적화를 수행할 수 있게 한다.
• 템플릿과 트랜스폼은 일반적인 변분 아키텍처 및 양자 기계 학습 모델의 구축과 평가를 용이하게 한다.