[논문 리뷰] Quantum-Assisted Genetic Algorithm

James King, Masoud Mohseni외 6명|arXiv (Cornell University)|2019. 06. 24.

Neural Networks and Reservoir Computing참고 문헌 1인용 수 17

한 줄 요약

이 논문은 고전적 유전 알고리즘 프레임워크 내에서 역방향 양자 앤날링을 돌연변이 연산자로 사용하는 양자 보조 유전 알고리즘(QAGA)을 소개한다. 비국소적 탐색을 위한 양자 변동성과 고전적 교차를 통한 이용을 결합함으로써 QAGA는 스핀 거품 문제에서 표준 양자 앤날링과 고전적 솔버보다 뛰어난 성능을 보이며, 특히 DCL 및 AC3 입력 클래스에서 시간-해결도(TTS) 감소와 어려운 인스턴스에서 더 날카운 TTS 분포를 보여준다.

ABSTRACT

Genetic algorithms, which mimic evolutionary processes to solve optimization problems, can be enhanced by using powerful semi-local search algorithms as mutation operators. Here, we introduce reverse quantum annealing, a class of quantum evolutions that can be used for performing families of quasi-local or quasi-nonlocal search starting from a classical state, as novel sources of mutations. Reverse annealing enables the development of genetic algorithms that use quantum fluctuation for mutations and classical mechanisms for the crossovers -- we refer to these as Quantum-Assisted Genetic Algorithms (QAGAs). We describe a QAGA and present experimental results using a D-Wave 2000Q quantum annealing processor. On a set of spin-glass inputs, standard (forward) quantum annealing finds good solutions very quickly but struggles to find global optima. In contrast, our QAGA proves effective at finding global optima for these inputs. This successful interplay of non-local classical and quantum fluctuations could provide a promising step toward practical applications of Noisy Intermediate-Scale Quantum (NISQ) devices for heuristic discrete optimization.

연구 동기 및 목표

• 양자 및 고전적 탐색 메커니즘을 통합하여 향상된 히우리스틱 최적화를 위한 하이브리드 양자-고전적 최적화 프레임워크를 개발하는 것.
• 양자 앤날링의 한계를 해결하기 위해, 알려진 양호한 해를 정밀 조정할 수 없는 노-클로닝 정리의 영향을 고려하는 것.
• 역방향 양자 앤날링이 고전적 유전 알고리즘에서 효과적이고 제어 가능한 돌연변이 연산자로 기능할 수 있는지 탐색하는 것.
• 기본 양자 앤날링과 고전적 솔버에 대해 벤치마크 스핀 거품 문제에서 QAGA의 성능을 평가하는 것.
• NISQ 시대의 양자 장치가 하이브리드 최적화 워크플로우에서 실용적으로 활용 가능한지 평가하는 것.

제안 방법

• QAGA 프레임워크는 고전적 후보 해에서 시작하여 증가된 횡방향 필드를 통한 제어된 양자 변동성을 통해 역방향 양자 앤날링을 돌연변이 연산자로 사용한다.
• 알고리즘은 고전적 스핀 구성의 집단을 유지하며, 자식을 생성하기 위해 교차 연산을 적용한 후, 이를 역방향 앤날링으로 변형한다.
• 돌연변이 강도는 횡방향 필드의 강도로 제어되어 초기 고전적 상태 주변의 준국소적 또는 준비국소적 탐색을 가능하게 한다.
• 알고리즘은 비동기 계산을 수행하며, QPU 응답을 기다리는 동안 고전적 제어기가 계속 처리를 수행하여 월클록 오버헤드를 줄인다.
• 이 방법은 D-Wave 2000Q 프로세서를 사용하여 세 가지 문제 클래스(RAN1, AC3, DCL 스핀 거품)에서 테스트되었다.
• 성능 평가에는 시간-해결도(TTS) 분포와 양자 앤날링(QA), 평행 온도 조절(PT), PT-ICM과의 헤드-투-헤드 비교가 사용되었다.

실험 결과

연구 질문

• RQ1 역방향 양자 앤날링은 고전적 유전 알고리즘 프레임워크에서 효과적이고 제어 가능한 돌연변이 연산자로 기능할 수 있는가?
• RQ2 고전적 교차와 양자 돌연변이의 조합이 표준 양자 앤날링보다 전역 최적해에 수렴하는 데 더 나은 성능을 보이는가?
• RQ3 다양한 스핀 거품 문제 인스턴스에서 QAGA의 시간-해결도 성능은 PT-ICM과 같은 고전적 솔버 및 양자 앤날링과 비교해 어떻게 되는가?
• RQ4 문제 클래스(RAN1, AC3, DCL)가 QAGA와 고전적, 양자 기반 베이스라인의 상대적 성능에 어떤 영향을 미치는가?
• RQ5 NISQ 장치에서 솔루션 스페이스 샘플링을 가속화하는 데 있어 양자 및 고전적 변동성이 얼마나 상호 보완적인가?

주요 결과

• QAGA는 DCL 및 AC3 입력에서 표준 양자 앤날링을 크게 능가하며, DCL 문제 평균에서 시간-해결도 감소가 평균적으로 두 개의 지수 이상이다.
• AC3 입력에서 QAGA는 PT-ICM보다 평균적으로 약 한 계급 정도 빠르며, PT-ICM이 더 빠른 100개의 인스턴스 중 7개를 제외한 나머지에서 뛰어난 성능을 보였다.
• RAN1 입력에서는 QAGA의 시간-해결도 尾(꼬리)가 길어 100개의 인스턴스 중 16개에서 타임아웃이 발생했으며, PT-ICM은 12개에서만 타임아웃이 발생하여 가장 어려운 클래스에서 QAGA의 성능 변동성이 더 크다는 것을 보여준다.
• QAGA의 TTS 분포는 QA보다 더 날카롭고, 상단 꼬리가 훨씬 좁아, 어려운 인스턴스에서 더 일관된 성능을 보인다.
• QPU 접근과 고전-양자 조율로 인한 높은 월클록 오버헤드에도 불구하고 QAGA는 구조화된 문제 클래스에서 측정 가능한 성능 향상을 보이며, 계산적 우위 잠재력을 보여준다.
• 결과는 비국소적 양자 변동성과 국소적 고전적 정밀 조정 간의 상호작용이 단독으로 사용할 경우보다 솔루션 스페이스의 더 효과적인 탐색을 가능하게 한다는 것을 시사한다.