[논문 리뷰] TensorLy-Quantum: Quantum Machine Learning with Tensor Methods

Taylor L. Patti, Jean Kossaifi외 2명|arXiv (Cornell University)|2021. 12. 19.

Parallel Computing and Optimization Techniques인용 수 5

한 줄 요약

TensorLy-Quantum는 텐서 네트워크 방법을 활용하여 대규모 양자 회로를 효율적으로 시뮬레이션할 수 있도록 설계된, PyTorch 기반의 GPU 가속화된 양자 회로 시뮬레이터입니다. TensorLy 생태계를 통해 최적화된 텐서 결합과 인수 분해된 텐서 표현을 사용함으로써, 단일 GPU에서 최대 수백 개의 큐비트, 다중 GPU에서는 수천 개의 큐비트까지 세계 기록 수준의 시뮬레이션을 달성하며, 부분 추적 연산에서 QuTiP 대비 최대 4개의 지수 차수에 이르는 속도 향상을 실현합니다.

ABSTRACT

Simulation is essential for developing quantum hardware and algorithms. However, simulating quantum circuits on classical hardware is challenging due to the exponential scaling of quantum state space. While factorized tensors can greatly reduce this overhead, tensor network-based simulators are relatively few and often lack crucial functionalities. To address this deficiency, we created TensorLy-Quantum, a Python library for quantum circuit simulation that adopts the PyTorch API. Our library leverages the optimized tensor methods of the existing TensorLy ecosystem to represent, simulate, and manipulate large-scale quantum circuits. Through compact tensor representations and efficient operations, TensorLy-Quantum can scale to hundreds of qubits on a single GPU and thousands of qubits on multiple GPUs. TensorLy-Quantum is open-source and accessible at https://github.com/tensorly/quantum

연구 동기 및 목표

• 텐서 네트워크 방법을 지원하는 효율적이고 확장 가능하며 기계 학습과 통합된 시뮬레이터의 부족을 해결하기 위해.
• 인수 분해된 텐서 표현과 최적화된 결합을 활용하여 대규모 양자 시스템을 시뮬레이션할 때 발생하는 계산 오버헤드를 줄이기 위해.
• 표현력과 성능을 향상시키기 위해 양자 시뮬레이션에 고급 텐서 대수(예: 분해, 회귀)를 통합하기 위해.
• 자동 미분과 확장 가능한 시뮬레이션을 지원하는 PyTorch 호환, GPU 가속화된 백엔드를 제공하기 위해.
• 마르코프 체인 몬테카를로 기반의 복잡한 양자 프로토콜(예: MaxCut 및 QML)을 대규모로 시뮬레이션할 수 있도록 하기 위해.

제안 방법

• 라이브러리는 양자 상태, 게이트, 연산자를 인수 분해된 텐서로 표현하는 PyTorch 스타일의 API를 사용하여, 엔드 투 엔드로 미분 가능한 양자 회로 시뮬레이션을 가능하게 합니다.
• 양자 상태를 압축적으로 표현하고 큐비트 수에 따라 메모리 사용을 지수적으로 감소시키기 위해 텐서 트레이스(TT) 및 매트릭스 곱 상태(MPS) 표현을 활용합니다.
• 부분 추적 및 기대값 계산과 같은 양자 연산은 조밀한 텐서를 재구성하지 않고도 인수 분해된 텐서 형태 그대로 수행됩니다.
• Opt-Einsum 라이브러리를 사용하여 텐서 결합을 최적화하고, cuQuantum를 통해 GPU를 활용하여 고성능 계산을 실현합니다.
• PyTorch의 전체 Autograd 지원을 계승함으로써 기계 학습 워크플로우에서 효율적인 기울기 계산이 가능해집니다.
• 전체 TensorLy 생태계와 통합되어 텐서 분해, 회귀, 변환 도구에 접근 가능하여 다른 과학 계산 백엔드와의 원활한 상호 운용성이 확보됩니다.

실험 결과

연구 질문

• RQ1 인수 분해된 표현을 사용하는 텐서 네트워크 기반의 시뮬레이션은 조밀한 텐서 표현의 한계를 넘어서 대규모 양자 회로 시뮬레이션을 가능하게 할 수 있는가?
• RQ2 GPU 가속화된 텐서 결합과 최적화된 결합 경로는 대규모 양자 회로 시뮬레이션의 성능 향상에 얼마나 기여하는가?
• RQ3 PyTorch 호환, 미분 가능한 양자 시뮬레이터는 분해 및 회귀와 같은 고급 텐서 대수 연산을 양자 기계 학습 워크플로우에 얼마나 효과적으로 통합할 수 있는가?
• RQ4 라이브러리는 GPU에서 특히 높은 성능을 발휘하여 MaxCut과 같은 양자 최적화 문제의 세계 기록 수준의 시뮬레이션을 달성할 수 있는가?
• RQ5 속도와 메모리 효율성 측면에서 전통적인 조밀 상태 시뮬레이터인 QuTiP에 비해 텐서 기반 시뮬레이션의 성능는 어떠한가?

주요 결과

• QuTiP 대비 20-qubit 시스템에서 부분 추적 연산에 대해 CPU 기준 200배, GPU 기준 최대 40,000배의 속도 향상을 기록합니다.
• 단일 A100 GPU에서 5,000개의 게이트를 포함한 500큐비트 전이자장 이징 해밀토니안을 성공적으로 시뮬레이션하며, 역전파를 통한 전체 기울기 계산을 10초 이내에 완료합니다.
• cuQuantum 백엔드 가속을 통해 단일 GPU에서 MaxCut 시뮬레이션의 세계 기록을 수립하고, 다중 GPU 설정을 통해 수천 개의 큐비트로 확장 가능합니다.
• 인수 분해된 텐서 방법 없이도 25큐비트 시스템을 시뮬레이션하려면 약 10^6 GB의 메모리가 필요하여, 조밀한 표현 방식으로는 이러한 시뮬레이션은 비현실적입니다.
• PyTorch Autograd 통합 덕분에 양자 회로의 완전한 미분 가능성이 확보되어 변량 양자 알고리즘의 효율적 학습이 가능합니다.
• MaxCut용 다중 기저 인코딩 및 마르코프 체인 몬테카를로 기반 QML과 같은 새로운 기능을 지원함으로써, 표준 양자 시뮬레이션을 넘어서는 확장성의 가능성을 입증합니다.