[논문 리뷰] Quantum circuit structure learning

Mateusz Ostaszewski, Edward Grant외 1명|arXiv (Cornell University)|2019. 05. 23.

Quantum Computing Algorithms and Architecture인용 수 23

한 줄 요약

이 논문은 최소한의 계산 비용으로 회로 아키텍처와 파라미터를 동시에 최적화하는 새로운 양자 회로 구조 학습 방법을 제안한다. 이 방법은 IBM Melbourne 양자 장치에서 리튬 수소화물, 헤이젠베르크 모델, 수소에 대해 변분 양자 고유값 해법(VQE)에서 뛰어난 성능을 달성하며, 전통적인 파라미터만 최적화하는 방법보다 뛰어나다.

ABSTRACT

We propose an efficient method for simultaneously learning both the structure and parameter values of quantum circuits with only a small computational overhead. Shallow circuits trained using structure learning perform significantly better than circuits trained using parameter updates alone, making this method particularly suitable for use on noisy intermediate-scale quantum computers. We demonstrate the method for training a variational quantum eigensolver for finding the ground states of Lithium Hydride and the Heisenberg model in simulation, and for finding the ground state of Hydrogen gas on the IBM Melbourne quantum computer.

연구 동기 및 목표

• 변분 양자 알고리즘에서 최적화되지 않은 양자 회로 설계 문제를 해결하기 위해.
• 회로 구조와 파라미터를 동시에 최적화할 때 발생하는 계산 비용을 줄이기 위해.
• 노이즈가 있는 중규모 양자(NISQ) 하드웨어에서 양자 화학 문제의 기본 상태 에너지 추정을 향상시키기 위해.
• 현재의 양자 장치에서 변분 양자 알고리즘의 실용적 구현을 가능하게 하기 위해 효율적인 구조 학습을 제공하기 위해.

제안 방법

• 양자 회로 구조에 대한 미분 가능한 탐색을 사용하여, 회로 구조의 최적화와 게이트 파라미터의 기울기 기반 최적화를 동시에 가능하게 한다.
• 학습 가능한 구조적 구성 요소(예: 게이트 연결성, 게이트 유형 등)를 갖춘 파라미터화된 양자 회로를 사용하며, 이를 미분 가능한 프레임워크 내에서 구현한다.
• 구조 학습을 변분 양자 고유값 해법(VQE) 프레임워크에 통합하여 종단 간 훈련을 가능하게 한다.
• 에너지 기대값에서 유도된 기울기 정보를 활용하여, 회로 아키텍처와 파라미터 값을 통합된 최적화 프로세스에서 동시에 업데이트한다.
• 검색 공간을 얕은 회로로 제한하고, 구조 선택의 효율적 파arameterization을 사용하여 계산 비용을 낮춘다.
• 시뮬레이션과 실제 장치 실행을 모두 지원하며, IBM Melbourne과 같은 실제 양자 하드웨어로의 확장성을 입증한다.

실험 결과

연구 질문

• RQ1 회로 구조와 파라미터를 동시에 최적화하면 변분 양자 알고리즘에서 기본 상태 에너지 추정 성능이 향상되는가?
• RQ2 NISQ 장치에서 기존의 파라미터만 최적화하는 방법과 비교해 구조 학습이 성능에 어떤 영향을 미치는가?
• RQ3 기존 VQE 훈련과 비교해 구조 학습의 계산 비용은 얼마나 되는가?
• RQ4 구조 학습을 통해 실제 양자 하드웨어에서 양자 화학 해밀토니안의 정확한 기본 상태 준비가 가능한가?
• RQ5 리튬 수소화물과 수소와 같은 다양한 분자 시스템에서 이 방법은 어떻게 스케일링되는가?

주요 결과

• 구조 학습을 통해 훈련된 얕은 양자 회로는 단순히 파라미터 업데이트만 수행하는 경우보다 훨씬 우수한 기본 상태 에너지 추정을 달성한다.
• 시뮬레이션 환경에서 헤이젠베르크 모델에 대해 성공적으로 기본 상태 에너지 추정을 수행하였으며, 수렴성과 정확도가 향상됨을 보였다.
• 리튬 수소화물의 경우, 고정된 회로 구조를 사용하는 기준 VQE 대비 구조 학습 방법이 더 낮은 에너지 추정을 달성하였다.
• IBM Melbourne 양자 컴퓨터에서 수소 기체의 기본 상태를 성공적으로 발견하여, 실제 NISQ 하드웨어에서의 적용 가능성을 입증하였다.
• 구조 학습의 계산 비용은 여전히 낮아, 성능을 희생시키지 않고도 효율적인 최적화가 가능하다.