[논문 리뷰] TensorCircuit: a Quantum Software Framework for the NISQ Era

Shi‐Xin Zhang, Jonathan Allcock외 14명|arXiv (Cornell University)|2022. 05. 20.

Quantum Computing Algorithms and Architecture인용 수 4

한 줄 요약

TensorCircuit는 텐서 네트워크 수축 기반으로 구축된 오픈소스 양자 소프트웨어 프레임워크로, NISQ 시대의 대규모 파arameterized 양자 회로를 고성능으로 시뮬레이션할 수 있도록 한다. 이는 자동 미분, JIT 컴파일링, 하드웨어 가속 기능을 갖춘 머신러닝 백엔드를 활용하여, 깊이가 낮고 1차원 연결성을 가진 회로에서 최대 600 큐비트의 시뮬레이션을 실현하고, 기존 시뮬레이터 대비 수개의 주기적 속도 향상을 달성한다.

ABSTRACT

TensorCircuit is an open source quantum circuit simulator based on tensor network contraction, designed for speed, flexibility and code efficiency. Written purely in Python, and built on top of industry-standard machine learning frameworks, TensorCircuit supports automatic differentiation, just-in-time compilation, vectorized parallelism and hardware acceleration. These features allow TensorCircuit to simulate larger and more complex quantum circuits than existing simulators, and are especially suited to variational algorithms based on parameterized quantum circuits. TensorCircuit enables orders of magnitude speedup for various quantum simulation tasks compared to other common quantum software, and can simulate up to 600 qubits with moderate circuit depth and low-dimensional connectivity. With its time and space efficiency, flexible and extensible architecture and compact, user-friendly API, TensorCircuit has been built to facilitate the design, simulation and analysis of quantum algorithms in the Noisy Intermediate-Scale Quantum (NISQ) era.

연구 동기 및 목표

• 노이즈가 많은 중규모 양자(NISQ) 시대에 대규모이고 복잡한 파arameterized 양자 회로의 효율적 시뮬레이션에 대한 증가하는 수요를 해결한다.
• 높은 파arameter 수와 깊은 회로를 처리하는 데에 한계가 있는 기존 시뮬레이터의 문제점을 극복한다.
• 자동 미분, JIT 컴파일링, 하드웨어 가속 등의 현대적 머신러닝 엔지니어링 실천 방식을 양자 시뮬레이션 프레임워크에 통합한다.
• 중간 깊이의 회로와 1D 연결성을 가진 최대 600 큐비트의 확장 가능한 시뮬레이션을 가능하게 하여 고급 양자 알고리즘 개발 및 분석을 지원한다.

제안 방법

• 텐서 수축을 활용한 효율적인 양자 회로 시뮬레이션을 위한 유연한 텐서 네트워크 엔진을 구축한다.
• 자동 미분 및 JIT 컴파일링을 가능하게 하기 위해 산업 표준 머신러닝 프레임워크(예: TensorFlow)를 백엔드로 사용한다.
• ML 라이브러리 통합을 통해 벡터화된 병렬 처리 및 하드웨어 가속을 지원하여 GPU에서의 성능 향상을 도모한다.
• 조건부 측정, 후선택, 패러미터화된 양자 상태 기대값 평가 등 고급 기능을 구현하며, vmap를 활용한 배치 연산을 지원한다.
• 모듈러리하고 확장 가능한 회로 구성이 가능한 QuOperator 및 QuVector 클래스를 제공한다.
• 텐서 네트워크 수축 성능을 최적화하기 위해 사용자 정의 수축 경로 탐색 및 서브트리 재구성 기능을 제공한다.

실험 결과

연구 질문

• RQ1 텐서 네트워크 기반의 양자 회로 시뮬레이터는 변이 양자 알고리즘을 지원하면서도 기존 시뮬레이터 대비 수개의 주기적 속도 향상을 달성할 수 있는가?
• RQ2 머신러닝 프레임워크와의 통합이 양자 회로 시뮬레이션의 성능과 사용성에 얼마나 기여하는가?
• RQ3 텐서 네트워크 수축은 최대 600 큐비트와 저차원 연결성을 가진 대규모 양자 회로를 얼마나 효율적으로 시뮬레이션할 수 있는가?
• RQ4 순수한 파이썬 프레임워크에서 배치 기반 기울기 계산, 몬테카를로 노이즈 시뮬레이션, 조건부 측정과 같은 고급 기능을 효율적으로 지원할 수 있는가?
• RQ5 NISQ 환경에서 텐서 네트워크 기법과 현대적 머신러닝 엔지니어링 실천 방식을 결합한 시뮬레이터의 성능 한계는 어디까지인가?

주요 결과

• TensorCircuit는 두 큐비트 게이트로 구성된 1차원 래더 구조를 사용하여 최대 600 큐비트의 회로를 시뮬레이션하며, 기존 시뮬레이터를 뛰어넘는 확장성을 입증했다.
• 7층, 4900개의 게이트를 가진 600 큐비트의 횡방향 자기장 이징 모델(TFIM)에 대해, 하이퍼파rameter 조정 없이도 기저 상태 에너지 정확도가 99.4%에 도달했다.
• NVIDIA A100 40GB GPU를 사용한 600 큐비트 케이스에서 계산 단위당 시간은 에너지 기대값과 기울기 계산을 포함해 18.2초였다.
• 특히 변이 양자 에너지자극기(VQE) 워크플로우에서 기존 일반적인 양자 소프트웨어 대비 수개의 주기적 속도 향상을 달성했다.
• 두 큐비트 게이트에 대해 SVD 분해를 적용함으로써 XX 유형의 게이트에 대해 결합 차원을 d=2로 줄여 더 효율적인 텐서 네트워크 수축을 가능하게 하였다.
• vmap와 vectorized_value_and_grad를 통한 배치 연산을 통해 여러 입력 상태 또는 회로 파arameter에 대한 비용 함수 및 기울기 평가를 효율적으로 수행하여 최적화 속도를 향상시켰다.