[논문 리뷰] ScaleQC: A Scalable Framework for Hybrid Computation on Quantum and Classical Processors

Wei Tang, Margaret Martonosi|arXiv (Cornell University)|2022. 07. 03.

Quantum Computing Algorithms and Architecture인용 수 15

한 줄 요약

ScaleQC는 고전적 후처리와 근접한 양자 프로세서를 조합함으로써 대규모 양자 회로 실행을 가능하게 하는 확장 가능한 하이브리드 프레임워크를 소개한다. 상태 병합 기법, 자동 회로 커팅 솔버, 텐서 네트워크 기반의 수축을 활용하여 메모리 및 런타임 오버헤드를 감소시키며, 1,000 큐비트까지의 회로에 대해 실행 가능성을 입증하여 순수 고전적 또는 순수 양자적 접근 방식을 초월하는 확장성과 성능을 확보한다.

ABSTRACT

Quantum processing unit (QPU) has to satisfy highly demanding quantity and quality requirements on its qubits to produce accurate results for problems at useful scales. Furthermore, classical simulations of quantum circuits generally do not scale. Instead, quantum circuit cutting techniques cut and distribute a large quantum circuit into multiple smaller subcircuits feasible for less powerful QPUs. However, the classical post-processing incurred from the cutting introduces runtime and memory bottlenecks. Our tool, called ScaleQC, addresses the bottlenecks by developing novel algorithmic techniques including (1) a quantum states merging framework that quickly locates the solution states of large quantum circuits; (2) an automatic solver that cuts complex quantum circuits to fit on less powerful QPUs; and (3) a tensor network based post-processing that minimizes the classical overhead. Our experiments demonstrate both QPU requirement advantages over the purely quantum platforms, and runtime advantages over the purely classical platforms for benchmarks up to 1000 qubits.

연구 동기 및 목표

• 하이브리드 양자-고전 컴퓨팅의 확장성을 제한하는 양자 회로 커팅에서의 메모리 및 런타임 병목 현상을 극복하기 위해.
• 근접한 더 작은 성능의 QPU에서 실행 가능한 더 작은 하위회로로 큰 회로를 분해함으로써 양자 프로세서 요구 사항을 줄이기 위해.
• 하이브리드 컴퓨팅이 복잡한 벤치마크에 대해 실용적이게 만들기 위해 알고리즘적 혁신을 통해 고전적 후처리 오버헤드를 최소화하기 위해.
• 단독 고전적 시뮬레이션 또는 현재의 양자 프로세서가 다룰 수 없는 범위를 넘어서 대규모 양자 회로의 실행을 가능하게 하기 위해.

제안 방법

• 전체 상태 벡터를 저장하지 않으면서도 큰 양자 회로에서 해답 상태를 효율적으로 탐색할 수 있는 상태 병합 프레임워크를 도입하여 고전적 메모리 제한을 효과적으로 회피한다.
• 후처리 복잡도를 최소화하고 사용자가 지정한 QPU 자원 제약 조건에 맞는 고품질의 커팅을 자동으로 찾기 위해 혼합 정수 프로그래밍(MIP) 기반 솔버를 개발한다.
• 하위회로 출력 간의 텐서 네트워크 수축을 최적화함으로써 후처리의 고전적 런타임 오버헤드를 감소시키기 위해 계산 그래프 수축 알고리즘을 활용한다.
• 재귀적이고 반복적인 검색 전략을 사용하여 하위회로에서 유도된 양자 상태를 병합함으로써 전체 회로의 진폭을 확장 가능하게 재구성한다.
• 회로 구조와 자원 가용성에 따라 동적으로 적응함으로써 다양한 양자 벤치마크에 일반화된다.
• 고전적 후처리 워크플로우를 모델링하고 최적화하기 위해 텐서 네트워크 표현을 활용하여 계산 비용을 최소화한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 양자 회로 커팅에서 발생하는 고전적 후처리 오버헤드를 최소화하여 실용적인 하이브리드 컴퓨팅을 가능하게 할 수 있는가?
• RQ2 기존 시뮬레이션의 메모리 한계를 초월하여 대규모 양자 회로에서 고전적 상태 재구성을 확장 가능한 알고리즘적 기법은 무엇인가?
• RQ3 회로 커팅을 자동화하고 최적화하여 런타임과 QPU 자원 요구량을 모두 줄일 수 있는가?
• RQ4 하이브리드 양자-고전 컴퓨팅이 대규모 양자 회로에 대해 순수 고전적 시뮬레이션 또는 순수 양자 실행 방식을 얼마나 뛰어나게 성능을 낼 수 있는가?
• RQ5 제안된 프레임워크는 현재 또는 근접한 하드웨어를 사용하여 최대 1,000 큐비트의 양자 회로를 실행할 수 있는가?

주요 결과

• ScaleQC는 1,000 큐비트에 이르는 양자 회로를 성공적으로 실행하여 순수 고전적 시뮬레이션과 현재의 양자 프로세서의 한계를 초월하는 확장성을 입증한다.
• 상태 병합 프레임워크는 전체 상태 벡터를 저장하지 않으면서도 큰 회로에서 해답 상태를 효율적으로 탐색할 수 있어 고전적 메모리 병목 현상을 효과적으로 회피한다.
• Supremacy 벤치마크에서 상태 병합 프로세스의 100회의 재귀는 단지 160초가 소요되어 추가 재귀당 마진 비용이 극히 낮고 런타임 효율성이 높음을 시사한다.
• MIP 기반 커팅 솔버는 후처리 복잡도를 감소시키고 다양한 벤치마크에 일반화 가능한 고품질의 커팅을 자동으로 생성한다.
• 최신의 고전적 시뮬레이션 [22]과 비교해 ScaleQC는 유사한 정밀도와 샘플 수를 확보하기 위해 훨씬 적은 계산 자원을 요구한다—추정치로 약 1,250코어 대비 4,200만 코어.
• 추가 재귀당 비용 증가가 최소한이므로, 순수 고전적 시뮬레이션 대비 시간당 백만 개 샘플의 처리 시간을 단축시켜 런타임 우수성을 확보한다.