[논문 리뷰] Robust and efficient algorithms for high-dimensional black-box quantum optimization

Zhaoqi Leng, Pranav Mundada외 2명|arXiv (Cornell University)|2019. 10. 08.

Quantum Computing Algorithms and Architecture참고 문헌 47인용 수 6

한 줄 요약

이 논문은 임의의 편향이 있는 기울기 추정에 기반하여 적응형 동력과 학습률 스케줄링을 결합한 블랙박스 양자 최적화 알고리즘인 AdamSPSA와 AdamRSGF를 제안한다. 이 알고리즘들은 분석적 기울기가 불가능한 고차원, 노이즈가 많은 비볼록 환경에서도 높은 정밀도(99.93%)의 단일 큐비트 게이트 최적화를 달성하며, 유한차분 및 표준 무작위 펌프 기반 기준보다 수렴 속도와 내성에서 뛰어나다.

ABSTRACT

Hybrid quantum-classical optimization using near-term quantum technology is an emerging direction for exploring quantum advantage in high-dimensional systems. However, precise characterization of all experimental parameters is often impractical and challenging. A viable approach is to use algorithms that rely only on black-box inference rather than analytical gradients. Here, we combine randomized perturbation gradient estimation with adaptive momentum gradient updates to create the AdamSPSA and AdamRSGF algorithms. We prove the asymptotic convergence of our algorithms in a convex setting, and we benchmark them against other gradient-based optimization algorithms on non-convex optimal control tasks. Our results show that these new algorithms accelerate the convergence rate, decrease the variance of loss trajectories, and efficiently tune up high-fidelity (above 99.9\%) Hann-window single-qubit gates from trivial initial conditions with twenty variables.

연구 동기 및 목표

• 실험적 불확실성으로 인해 분석적 기울기가 불가능한 노이즈가 많고 근접한 양자 장치에서 고차원 양자 최적화의 과제를 해결하기 위해.
• 양자 시스템 측정에서의 제로오더 정보에만 의존하는 강건하고 효율적인 최적화 알고리즘을 개발하기 위해.
• 노이즈가 많고 편향이 있는 기울기 추정 환경에서 양자 최적 제어 작업의 수렴 속도와 정밀도를 향상시키기 위해.
• 시스템의 결함에 대한 사전 지식 없이 초기 조건이 단순한 상태에서부터 자동으로 피드백 기반으로 양자 게이트를 조정할 수 있도록 하기 위해.
• 이 알고리즘들이 양자 제어를 넘어서 양자 화학 및 양자 기계학습 분야에도 적용 가능함을 보여주기 위해.

제안 방법

• 무작위 펌프를 사용한 기울기 추정에 적응형 동력과 학습률 스케줄링을 통합한 SPSA 알고리즘의 변종인 AdamSPSA를 제안한다.
• 무작위 탐색 기반 기울기 추정과 적응형 동력 및 학습률 업데이트를 결합한 AdamRSGF를 도입한다.
• 파arameter 공간에서의 작은 펌프를 통해 대칭 유한차분 근사를 사용하여 기울기 추정을 수행함으로써 업데이트당 함수 평가 수를 감소시킨다.
• 기울기의 추정된 일阶 및 이阶 통계량에 기반하여 업데이트되는 적응형 학습률과 동력 항을 사용한다.
• 점차 감소하는 단계 크기와 동력 감쇠를 포함한 확률적 근사 프레임워크를 적용하여 볼록 환경에서의 점근적 수렴을 보장한다.
• 이중 단계 최적화 프로토콜을 적용한다: Z-프로젝션 측정 기반 손실 함수를 사용한 초기 최적화 후, 랜덤라이즈드 레퍼런싱(RB)을 통한 정밀도 추출을 위한 정밀 조정.

실험 결과

연구 질문

• RQ1 적응형 동력과 학습률 스케줄링이 노이즈가 많은 기울기 추정 환경에서 고차원 블랙박스 양자 최적화의 수렴성과 내성에 영향을 미칠 수 있는가?
• RQ2 유한차분 및 표준 무작위 펌프 기반 방법과 비교할 때, AdamSPSA와 AdamRSGF는 비볼록 양자 제어 작업에서 수렴 속도와 정밀도 측면에서 어떻게 성능을 냈는가?
• RQ3 실험적 왜곡이나 큐비트의 비선형성에 대한 사전 지식 없이도 이러한 알고리즘이 높은 정밀도의 단일 큐비트 게이트(예: 99.9% 이상)를 달성할 수 있는 정도는 어느 정도인가?
• RQ4 편향이 있고 확률적인 기울기 추정이 존재하는 환경에서도 알고리즘은 국소 최소값을 효과적으로 회피하고 손실 궤적의 분산을 낮게 유지할 수 있는가?
• RQ5 이 프레임워크는 NISQ 장치에서의 양자 화학 및 양자 기계학습과 같은 다른 양자 최적화 작업으로 일반화 가능한가?

주요 결과

• AdamSPSA와 AdamRSGF는 단일 큐비트 게이트 정밀도 0.9993(±5×10⁻⁵, AdamSPSA 기준; ±10×10⁻⁵, AdamRSGF 기준)을 달성하여 분해능 제한 정밀도와 일치시켰다.
• 이 알고리즘들은 기존의 유한차분 및 기본 무작위 펌프 기반 방법보다 더 빠른 수렴 속도와 유의미하게 낮은 손실 궤적 분산을 보였다.
• 양측 알고리즘은 단순한 초기 조건에서 블랙박스 측정만을 사용하여 헨윈 윈도우 X₉₀ 게이트를 고정밀도(99.9% 이상)로 조정하는 데 성공했다.
• 이중 단계 최적화 프로토콜—초기 손실 최소화 후 랜덤라이즈드 레퍼런싱을 통한 정밀도 추출—은 게이트 정밀도를 추가로 향상시키고 성능을 검증하는 데 기여했다.
• AdamSPSA와 AdamRSGF는 실험적 노이즈와 기울기 추정의 편향에 강건하며, 비볼록 최적화 경로에서 표준 SPSA 및 RSGF보다 뛰어난 성능을 보였다.
• 제안된 알고리즘들은 시스템 결함의 분석적 모델이 필요 없이 완전히 자동화되고 피드백 기반의 양자 게이트 최적화를 가능하게 하였다.