[논문 리뷰] QuantumNAS: Noise-Adaptive Search for Robust Quantum Circuits

Hanrui Wang, Yongshan Ding외 6명|arXiv (Cornell University)|2021. 07. 22.

Quantum Computing Algorithms and Architecture참고 문헌 113인용 수 21

한 줄 요약

QuantumNAS는 훈련과 검색을 분리하기 위해 SuperCircuit를 사용하여 노이즈 적응형 공동 검색 프레임워크를 제안함으로써, 효율적이고 노이즈를 고려한 최적화를 가능하게 하는 변량 양자 회로와 큐비트 매핑을 위한 프레임워크를 제안한다. 이는 실제 양자 하드웨어에서 최신 기술 수준의 성능을 달성하였으며, 양자 기계학습에서 2-class 분류 정확도 95% 이상, 4-class 분류 정확도 85% 이상, 10-class 분류 정확도 32% 이상을 기록하였고, 다양한 분자의 VQE에서 가장 낮은 기본 상태 에너지를 달성하였다.

ABSTRACT

Quantum noise is the key challenge in Noisy Intermediate-Scale Quantum (NISQ) computers. Previous work for mitigating noise has primarily focused on gate-level or pulse-level noise-adaptive compilation. However, limited research efforts have explored a higher level of optimization by making the quantum circuits themselves resilient to noise. We propose QuantumNAS, a comprehensive framework for noise-adaptive co-search of the variational circuit and qubit mapping. Variational quantum circuits are a promising approach for constructing QML and quantum simulation. However, finding the best variational circuit and its optimal parameters is challenging due to the large design space and parameter training cost. We propose to decouple the circuit search and parameter training by introducing a novel SuperCircuit. The SuperCircuit is constructed with multiple layers of pre-defined parameterized gates and trained by iteratively sampling and updating the parameter subsets (SubCircuits) of it. It provides an accurate estimation of SubCircuits performance trained from scratch. Then we perform an evolutionary co-search of SubCircuit and its qubit mapping. The SubCircuit performance is estimated with parameters inherited from SuperCircuit and simulated with real device noise models. Finally, we perform iterative gate pruning and finetuning to remove redundant gates. Extensively evaluated with 12 QML and VQE benchmarks on 14 quantum computers, QuantumNAS significantly outperforms baselines. For QML, QuantumNAS is the first to demonstrate over 95% 2-class, 85% 4-class, and 32% 10-class classification accuracy on real QC. It also achieves the lowest eigenvalue for VQE tasks on H2, H2O, LiH, CH4, BeH2 compared with UCCSD. We also open-source TorchQuantum (https://github.com/mit-han-lab/torchquantum) for fast training of parameterized quantum circuits to facilitate future research.

연구 동기 및 목표

• 노이즈가 있는 중규모 양자(NISQ) 장치에서의 양자 노이즈 문제를 해결하기 위해, 내성적 저항성을 확보하기 위해 양자 회로 구조와 큐비트 매핑을 공동 최적화한다.
• 큰 설계 공간에서 반복적인 회로 검색과 파라미터 훈련의 확장성 문제를 해결하기 위해, 검색과 전체 훈련을 분리한다.
• 실제 장치 노이즈에 강건한 회로를 찾음으로써, 양자 기계학습 및 변량 양자 고유값 해법(VQE) 작업에서 성능을 향상시킨다.
• 실제 양자 하드웨어에서 노이즈 인식 검색이 노이즈 무시 검색, 무작위 검색, 인간 설계 기반 기준보다 뚜렷이 뛰어난 성능을 보임을 입증한다.
• TorchQuantum 라이브러리와 같은 오픈소스 도구를 통해, 내성적 저항성을 갖춘 양자 회로의 실용적 구현을 가능하게 한다.

제안 방법

• 다양한 파라미터화된 게이트 레이어(예: U3, CU3)로 구성된 SuperCircuit를 도입하여, 잠재적인 SubCircuit의 큰 집합을 봉인한다.
• SubCircuit의 파라미터 서브셋을 반복적으로 샘플링하고 업데이트하여 SuperCircuit를 훈련함으로써, 전체 재훈련 없이도 정확한 성능 추정치를 제공한다.
• 실제 장치 노이즈 모델을 활용하여 SubCircuit의 구조와 큐비트 매핑에 대해 진화적 공동 검색을 수행함으로써, 내성적 저항성을 갖춘 구성으로 유도한다.
• 검색 중 SubCircuit 평가를 가속화하기 위해 SuperCircuit에서 최적화된 파라미터를 유산으로 이관한다.
• 반복적인 게이트 제거 및 정밀 조정을 통해 불필요한 게이트를 제거하고, 최종 회로의 효율성과 내성적 저항성을 더욱 향상시킨다.
• 실제 IBMQ 양자 장치를 평가에 활용하며, 실제 하드웨어 오류 특성을 반영한 노이즈 모델을 사용한다.

Figure 1: Noise-adaptive circuit and qubit mapping co-search. A gate-sharing SuperCircuit that contains numerous parameter subsets (SubCircuit) is firstly trained. Then we perform an evolutionary search with the quantum noise feedback to find the most robust circuit and qubit mapping.

실험 결과

연구 질문

• RQ1 노이즈 적응형 공동 검색 프레임워크가 노이즈 무시 또는 인간 설계 기반 접근법에 비해 실제 NISQ 장치에서 성능을 뚜렷이 향상시킬 수 있는가?
• RQ2 전체 재훈련 없이도 SuperCircuit 기반 접근법이 SubCircuit 성능을 정확히 추정할 수 있는가? 이는 확장 가능한 검색을 가능하게 하는가?
• RQ3 검색 과정에서 실제 장치 노이즈 모델을 통합할 경우, 최종 양자 회로의 내성적 저항성과 정확도에 어떤 영향을 미치는가?
• RQ4 제안된 방법이 실제 하드웨어에서 양자 기계학습 작업(예: MNIST)에서 높은 분류 정확도를 달성하고, VQE 벤치마크에서 낮은 기본 상태 에너지를 달성할 수 있는가?
• RQ5 회로 구조와 큐비트 매핑이 노이즈 하에서 성능 변동성에 미치는 영향은 무엇이며, 이 방법이 이 변동성을 체계적으로 줄일 수 있는가?

주요 결과

• QuantumNAS는 실제 양자 컴퓨터에서 양자 기계학습 작업에 대해 2-class 분류 정확도 95% 이상, 4-class 분류 정확도 85% 이상, 10-class 분류 정확도 32% 이상을 달성하였으며, 이러한 벤치마크에서 처음으로 기록한 성과이다.
• 변량 양자 고유값 해법(VQE) 작업에서는 UCCSD 기준 대비 H₂, H₂O, LiH, CH₄, BeH₂ 등 여러 분자에서 가장 낮은 기본 상태 에너지를 달성하였다.
• 14개의 실제 양자 장치에서 12개의 양자 기계학습 및 VQE 벤치마크에서, 노이즈 인식 검색, 무작위 검색, 인간 설계 기반 회로보다 뚜렷이 뛰어난 성능을 보였다.
• SuperCircuit는 전체 재훈련 없이도 SubCircuit 성능 추정을 정확하게 가능하게 하여 훈련 비용을 크게 절감하였으며, 이는 대규모 검색을 실현 가능하게 하였다.
• 반복적인 게이트 제거 및 정밀 조정은 레이어의 불필요한 중복을 줄이고, 최종 회로의 내성적 저항성과 효율성을 더욱 향상시켰다.
• 오픈소스 TorchQuantum 라이브러리는 향후 연구를 촉진하며, PyTorch 및 Qiskit를 지원하고 MIT 라이선스 하에 제공된다.

Figure 2: MNIST-4 on noise-free simulator / real QC. More parameters increase the noise-free accuracy but degrade measured accuracy due to larger gate errors. Accuracy varies greatly under the same #parameters but different circuits, motivating us to search for the best circuit systematically.