[논문 리뷰] Quantum Integer Programming (QuIP) 47-779: Lecture Notes

David E. Bernal, Sridhar Tayur외 1명|arXiv (Cornell University)|2020. 12. 17.

Quantum Computing Algorithms and Architecture참고 문헌 55인용 수 4

한 줄 요약

이 논문은 양자 정수 프로그래밍(QuIP)에 대한 종합적인 강의 시리즈를 제시하며, 연구자들이 정수 프로그래밍 문제를 양자 기반 및 근접한 양자 방법(예: 양자 냉각, QAOA, Graver 보완 다중초기값 알고리즘(GAMA))을 사용해 해결할 수 있도록 하는 QUBO 문제로 변환하는 방법을 가르친다. 주요 기여는 실제 최적화 문제를 양자 환경에서 사용 가능한 QUBO 형식으로 매핑하는 실용적 프레임워크를 제공하고, 체계적인 파rameter 조정을 통해 고전적 및 양자 하드웨어에서의 성능을 평가하는 데 중점을 둔다.

ABSTRACT

This lecture series on Quantum Integer Programming (QuIP) -- created by Professor Sridhar Tayur, David E. Bernal, and Dr. Davide Venturelli, a collaboration between CMU and USRA, with the support from Amazon Braket during Fall 2020 -- is intended for students and researchers interested in Integer Programming and the potential of near term quantum and quantum-inspired computing in solving optimization problems. Originally created for Tepper School of Business course 47-779 (at CMU), these were also used for the course ID5840 (at IIT-Madras, by Professors Anil Prabhakar and Prabha Mandayam) whose students (listed at the beginning of each lecture) were scribes. Dr. Vikesh Siddhu, post-doc in CMU Quantum Computing Group, assisted during the lectures, student projects, and with proof-reading this scribe. Through these lectures one will learn to formulate a problem and map it to a Quadratic Unconstrained Binary Optimization (QUBO) problem, understand various mapping and techniques like the Ising model, Graver Augmented Multiseed Algorithm (GAMA), Simulated or Quantum Annealing and QAOA, and ideas on how to solve these Integer problems using these quantum and classical methods.

연구 동기 및 목표

• Graduate students 및 연구자들이 비선형 정수 프로그래밍 문제를 양자 및 양자 기반 솔버에 적합한 QUBO 형식으로 재구성할 수 있도록 도구를 제공한다.
• 특히 양자 냉각 및 QAOA를 포함한 양자 방법의 실제 조합 최적화 문제에 대한 적용을 보여준다.
• QUBO 인스턴스에서 고전적 및 양자 솔버의 성능을 평가하기 위한 벤치마킹 전략을 제공하며, 해의 품질, 성공 확률, 자원 사용량을 중심으로 한다.
• 학생들이 고전적 최적화와 근접한 양자 하드웨어 또는 시뮬레이터를 결합한 하이브리드 프로젝트를 개발하고 평가할 수 있도록 한다.
• D-Wave, IBM, GPU/TPU 플랫폼에서의 문제 제작, QUBO 매핑, 성능 평가 기술을 교육함으로써 '양자 준비 상태'를 조성한다.

제안 방법

• 실제 문제를 비선형 정수 프로그래밍으로 제작한 후, 페널티 방법과 이진 인코딩을 사용해 QUBO 형식으로 재구성한다.
• 스핀 기반 하미르토니안에 목적과 제약 조건을 포함시키기 위해 이징 모델 및 QUBO 매핑 기법을 적용한다.
• 이차(반)할당 문제의 양자 기반 최적화를 위해 Graver 보완 다중초기값 알고리즘(GAMA)을 구현한다.
• 사전 설정된 파rameter(예: 체인 강도, 냉각 시간)를 조정하여 D-Wave 하드웨어에서의 양자 냉각을 적용해 최적 해를 찾을 확률을 극대화한다.
• 매개변수화된 양자 회로(γ 및 β)를 사용해 양자 회로 기반의 QAOA를 적용하여 얽힌 초위상 상태를 탐색한다.
• 다중 실행에 걸친 통계적 샘플링을 통해 솔루션을 벤치마킹하고, 성공률, 타당성, 고전적 및 양자 백엔드에서의 자원 소비(시간, 에너지)를 분석한다.

실험 결과

연구 질문

• RQ1 실제 응용에서 유도된 비선형 정수 프로그래밍 문제를 제약 조건을 유지하면서 효과적으로 QUBO 형식으로 재구성할 수 있는 방법은 무엇인가?
• RQ2 최적 및 타당 해를 찾을 확률을 극대화하기 위해 체인 강도와 냉각 시간의 최적 설정은 무엇인가?
• RQ3 기준 QUBO 인스턴스에서 QAOA의 성능은 양자 냉각 및 고전적 시뮬레이션 냉각과 비교해 어떻게 되는가?
• RQ4 GAMA와 같은 양자 기반 방법이 특정 유형의 정수 프로그래밍 문제에서 고전적 솔버를 얼마나 뛰어나게 성능을 높일 수 있는가?
• RQ5 해의 품질과 자원 효율성 측면에서 고전적 및 양자 솔버 간의 신뢰할 수 있는 비교를 보장하기 위한 체계적 벤치마킹 전략은 무엇인가?

주요 결과

• 기본 설정을 사용한 양자 냉각에서는 최적 해를 찾을 확률이 0.05%에 불과하고, 타당 해는 0.15%에 그쳐, 초기 성능이 열악함을 시사한다.
• 체인 강도를 증가시키면 초기에는 최적 해 확률이 향상되지만, 점차 체인 파손과 에너지 수준 분할 증가로 인해 확률이 감소함을 확인했다.
• 2초 냉각 시간에서는 장시간 런보다 최적 해 수가 크게 감소함을 관찰해, 실행 시간과 성공률 사이의 상충 관계를 확인했다.
• 단일 장시간 런에 의존하기보다는 다양한 파rameter를 사용해 다수의 냉각 인스턴스를 실행해 다양한 해 집합을 탐색하는 것이 권장된다.
• QAOA를 통해 매개변수화된 양자 회로 기반의 협동 최적화가 가능하지만, 기저 상태를 측정할 확률는 해석적으로 계산하기 어려움을 확인했다.
• 파arameter 조정, 통계적 샘플링, 성능 비교를 포함하는 체계적 벤치마킹 파이프라인은 양자 우월성 주장의 신뢰성 있는 평가에 필수적임을 입증했다.