[논문 리뷰] Robust Implementation of Generative Modeling with Parametrized Quantum Circuits

Vicente Leyton‐Ortega, Alejandro Perdomo‐Ortiz외 1명|arXiv (Cornell University)|2019. 01. 23.

Quantum Computing Algorithms and Architecture인용 수 6

한 줄 요약

이 논문은 리지티의 큐런트 클라우드 서비스를 사용하여 데이터 기반 양자 회로 학습(DDQCL)의 강건한 하드웨어 기반 벤치마크를 제시한다. 고전적 최적화기, 회로 아나츠(별형 대비 선형 연결 구조), 그리고 회로 깊이를 바르스 앤 스트라이프 데이터셋에서 평가한다. 결과적으로 회로 깊이와 구조가 성능에 상당한 영향을 미치며, 별형 연결 구조는 높은 큐비트 편성도 덕분에 더 빠른 수렴을 보이며, 게이트 편성도를 넘어서 NISQ 장치 평가에 있어 qBAS를 신뢰할 수 있는 지표로 설정한다.

ABSTRACT

Although the performance of hybrid quantum-classical algorithms is highly dependent on the selection of the classical optimizer and the circuit ansatz, a robust and thorough assessment on-hardware of such features has been missing to date. From the optimizer perspective, the primary challenge lies in the solver's stochastic nature, and their significant variance over the random initialization. Therefore, a robust comparison requires that one perform several training curves for each solver before one can reach conclusions about their typical performance. Since each of the training curves requires the execution of thousands of quantum circuits in the quantum computer, such a robust study remained a steep challenge for most hybrid platforms available today. Here, we leverage on Rigetti's Quantum Cloud Services to overcome this implementation barrier, and we study the on-hardware performance of the data-driven quantum circuit learning (DDQCL) for three different state-of-the-art classical solvers, and on two-different circuit ansatze associated to different entangling connectivity graphs for the same task. Additionally, we assess the gains in performance from varying circuit depths. To evaluate the typical performance associated with each of these settings in this benchmark study, we use at least five independent runs of DDQCL towards the generation of quantum generative models capable of capturing the patterns of the canonical Bars and Stripes data set.

연구 동기 및 목표

• 단일 학습 곡선 연구의 한계를 극복하기 위해 실제 하드웨어에서 하이브리드 양자-고전적 알고리즘의 강건하고 다중 실행 평가를 수행한다.
• 고전적 최적화기, 회로 아나츠 구조(별형 대비 선형 구조), 그리고 회로 깊이가 매개변수화된 양자 회로를 사용한 생성 모델링 성능에 미치는 영향을 평가한다.
• 특히 큐비트 편성도를 포함한 하드웨어 품질이 연결 구조 레이아웃 간 관측된 성능 차이에 영향을 미치는지 평가한다.
• 실제 하드웨어 실험과 qBAS 점수를 활용하여 NISQ 장치 성능 평가를 위한 신뢰할 수 있고 재현 가능한 벤치마킹 프레임워크를 수립한다.
• 클라우드 기반 양자 인프라를 활용하여 확장 가능하고 반복 가능한 실험을 통해 양자 알고리즘 구성 요소 간의 체계적이고 공정한 비교를 가능하게 한다.

제안 방법

• 연구는 리지티의 큐런트 클라우드 서비스(QCS™)를 사용하여 실제 초전도 양자 하드웨어에서 DDQCL 알고리즘의 다중 독립 학습 실행(각 설정당 최소 5회)을 수행한다.
• DDQCL 프레임워크는 변형 가능한 양자 회로(PQC)를 학습시켜 바르스 앤 스트라이프 데이터셋의 목표 분포와 일치하는 양자 상태를 생성하기 위해 변량 최적화 루프를 사용한다.
• 세 가지 최신 고전적 최적화기(COBYLA, L-BFGS-B, SPSA)를 동일한 하드웨어 조건에서 평가하여 수렴성과 안정성을 비교한다.
• 두 가지 회로 아나츠를 사용한다: 하나는 별형 연결 구조를 가지며, 다른 하나는 선형 체인 구조를 가지며, 각각 한 개와 두 개의 연결 레이어(깊이)로 테스트된다.
• 측정 결과의 신뢰성을 향상시키고 비용 함수 평가에서 노이즈 유도 오차를 줄이기 위해 읽기 오차 보정 전략을 적용한다.
• 각 설정에 대해 qBAS(생성 모델링을 위한 양자 벤치마크) 점수를 계산하여 다양한 최적화기와 회로 구조 간의 성능을 정량적으로 비교한다.

실험 결과

연구 질문

• RQ1 고전적 최적화기가 실제 하드웨어에서 매개변수화된 양자 회로를 사용한 생성 모델링의 강건성과 수렴 속도에 어떻게 영향을 미치는가?
• RQ2 실제 NISQ 장치에서 회로 연결성(별형 대비 선형 구조)이 양자 생성 모델의 성능에 어떤 영향을 미치는가?
• RQ3 회로 깊이를 증가시켜(한 개에서 두 개의 연결 레이어로) 타겟 분포를 학습하는 데서의 능력에 어떤 영향을 미치는가?
• RQ4 큐비트 편성도를 포함한 하드웨어 특수 요소가 서로 다른 회로 구조 간 관측된 성능 차이에 얼마나 기여하는가?
• RQ5 실제 하드웨어 실험과 qBAS 점수를 활용하여 NISQ 장치에 대한 일관되고 신뢰할 수 있는 벤치마킹 프레임워크를 수립할 수 있는가?

주요 결과

• 유사한 회로 깊이와 게이트 수를 가짐에도 불구하고 별형 연결 구조는 선형 연결 구조보다 훨씬 더 빠른 수렴과 더 나은 최종 성능를 보였으며, 이는 하드웨어 품질이 핵심적인 역할을 함을 시사한다.
• 두 번째 연결 레이어를 추가함으로써 별형 연결 구조에서는 성능 향상이 뚜렷했지만, 선형 연결 구조에서는 성능 향상이 미미하거나 느렸으며, 이는 깊이 스케일링이 구조에 따라 다름을 시사한다.
• SPSA 최적화기는 COBYLA와 L-BFGS-B에 비해 다중 실행에서 더 안정적인 성능를 보였으며, 수렴에 대한 변동성이 낮았다. 반면 COBYLA와 L-BFGS-B는 무작위 초기화에 더 민감한 경향을 보였다.
• qBAS 점수는 다양한 설정 간 비교에 대해 일관되고 신뢰할 수 있는 지표를 제공했으며, 단일 게이트 편성도를 넘어서 장치 성능 평가를 정량화할 수 있게 했다.
• 노이즈 없는 큐비트에서의 시뮬레이션 결과 별형 연결 구조에 본질적인 이점이 없음을 확인했으며, 관측된 성능 차이가 별형 연결 구조의 큐비트 부분집합에서 더 높은 큐비트 편성도 때문임을 시사한다.
• 읽기 오차 보정 전략은 측정 결과의 신뢰성을 향상시키고, 특히 노이즈가 많은 하드웨어 조건에서 비용 함수 평가의 정확도를 높이는 데 기여했다.