[논문 리뷰] Practical application-specific advantage through hybrid quantum computing

Michael Perelshtein, Asel Sagingalieva외 8명|arXiv (Cornell University)|2022. 05. 10.

Quantum Computing Algorithms and Architecture인용 수 21

한 줄 요약

본 논문은 양자 및 고전 자원을 통합하는 메모리 중심 하이브리드 양자 클라우드(QMware)를 제시하여 최적화, 기계 학습, 시뮬레이션 태스크를 해결하고, 특정 문제에서 고전 방법에 비해 실용적 이점을 보임을 보여준다.

ABSTRACT

Quantum computing promises to tackle technological and industrial problems insurmountable for classical computers. However, today's quantum computers still have limited demonstrable functionality, and it is expected that scaling up to millions of qubits is required for them to live up to this touted promise. The feasible route in achieving practical quantum advantage goals is to implement a hybrid operational mode that realizes the cohesion of quantum and classical computers. Here we present a hybrid quantum cloud based on a memory-centric and heterogeneous multiprocessing architecture, integrated into a high-performance computing data center grade environment. We demonstrate that utilizing the quantum cloud, our hybrid quantum algorithms including Quantum Encoding (QuEnc), Hybrid Quantum Neural Networks and Tensor Networks enable advantages in optimization, machine learning, and simulation fields. We show the advantage of hybrid algorithms compared to standard classical algorithms in both the computational speed and quality of the solution. The achieved advance in hybrid quantum hardware and software makes quantum computing useful in practice today.

연구 동기 및 목표

• 메모리 중심의 HPC 환경에서 양자 자원과 고전 자원을 통합한 실용적인 하이브리드 양자 컴퓨팅 플랫폼을 동기화하고 구축한다.
• 하이브리드 양자 알고리즘이 최적화(MaxCut), 기계 학습(분류 및 회귀), 그리고 양자 영감 시뮬레이션에서 속도와 품질상의 이점을 제공함을 입증한다.
• 단일화된 메모리 중심 아키텍처가 산업 및 연구 용도의 효율적인 양자-고전 상호 작용과 확장성을 가능하게 하는 방법을 보여준다.

제안 방법

• 메모리 중심 HQC 클라우드(QMware)와 메모리 내 연산 및 양자 회로를 위한 통합 중간 표현을 도입한다.
• 공통 SDK를 통해 토폴로지에 걸친 시뮬레이션 QPU와 네이티브 QPU를 사용하여 하이브리드 양자 알고리즘(QuEnc, HQNN, 텐서 네트워크 접근법)을 실행한다.
• QuEnc를 MaxCut에 양자 인코딩된 진폭 인코딩 변분적 접근으로 적용하고, 서로 다른 하드웨어 구에서 CPLEX와 비교한다.
• 분류 및 회귀 벤치마크를 위한 하이브리드 양자 신경망을 개발하고, 고전 네트워크에 비해 정확도 및 데이터 효율성 이점을 보여주는.
• 양자 영감을 받은 방법으로서 PDE 유사 문제에 우수한 스케일링을 갖는 텐서-네트워크 기반 시뮬레이션을 시연한다.

실험 결과

연구 질문

• RQ1 메모리 중심 하이브리드 양자 클라우드가 실제로 이산 최적화(MaxCut)에서 고전 해법보다 우수한 성능을 보일 수 있는가?
• RQ2 하이브리드 양자 신경망이 분류 및 회귀 과제에서 고전 네트워크에 비해 명백한 정확도 및 데이터 효율성 이점을 제공하는가?
• RQ3 양자 영감을 받은 텐서 네트워크가 전통적 해법에 비해 고차원 시뮬레이션에서 확장 가능한 이점을 제공하는가?
• RQ4 단일 메모리 모델 내에서 시뮬레이션 QPU, CPU, GPU의 통합이 하이브리드 양자 응용의 엔드투엔드 성능에 어떤 영향을 미치는가?

주요 결과

• 진폭 인코딩을 이용한 QuEnc가 시뮬레이션에서 1분 이내에 256-노드 그래프에서 CPLEX보다 더 정확한 MaxCut 해법을 얻는다(비용은 명시됨).
• QuEnc를 먼저 적용하고 그다음 CPLEX를 이용하는 하이브리드 파이프라인이 1024-노드 그래프에서 개선된 해법을 제공하며 보고된 실험에서 순수 CPLEX 성능을 넘는다.
• HQNNs가 고전 네트워크보다 더 높은 테스트 정확도(0.940 대 0.831)와 더 빠른 수렴 속도(32 에포크 대 317 에포크)를 보이는 원 내부 원(circle-within-circle) 분류 과제에서 달성한다.
• 보스턴 주택 회귀의 하이브리드 모델은 고전 모델보다 테스트 손실이 12-16% 낮아, 더 작은 데이터셋에서도 견고함을 시사한다.
• 포아송 유사 문제의 텐서-네트워크 기반 시뮬레이션은 축약법인 공액 gradient 방법에 비해 지수적이거나 더 나은 스케일링 이점을 보여 제한된 하드웨어에서 최대 10^9 포인트에 이르는 매우 큰 문제 공간을 가능하게 한다.