[논문 리뷰] The Snake Optimizer for Learning Quantum Processor Control Parameters

Paul V. Klimov, J. Kelly외 2명|arXiv (Cornell University)|2020. 06. 08.

Quantum Computing Algorithms and Architecture인용 수 23

한 줄 요약

스네이크 최적화기(Snake Optimizer)는 그래프 기반 분해와 동적 순회를 통해 고차원, 비볼록(quadratic) 양자 제어 캘리브레이션 문제를 다룰 수 있는 저차원 하위 문제로 환원하는 새로운 스케일러블 최적화 프레임워크이다. 이는 구글의 53 큐비트 시카모어 프로세서에서 최첨단 성능을 달성하였으며, 인간 전문가 대비 10,000배 빠른 속도 향상과 중앙값 두 큐비트 게이트 오차 20% 감소를 이룩하였다.

ABSTRACT

High performance quantum computing requires a calibration system that learns optimal control parameters much faster than system drift. In some cases, the learning procedure requires solving complex optimization problems that are non-convex, high-dimensional, highly constrained, and have astronomical search spaces. Such problems pose an obstacle for scalability since traditional global optimizers are often too inefficient and slow for even small-scale processors comprising tens of qubits. In this whitepaper, we introduce the Snake Optimizer for efficiently and quickly solving such optimization problems by leveraging concepts in artificial intelligence, dynamic programming, and graph optimization. In practice, the Snake has been applied to optimize the frequencies at which quantum logic gates are implemented in frequency-tunable superconducting qubits. This application enabled state-of-the-art system performance on a 53 qubit quantum processor, serving as a key component of demonstrating quantum supremacy. Furthermore, the Snake Optimizer scales favorably with qubit number and is amenable to both local re-optimization and parallelization, showing promise for optimizing much larger quantum processors.

연구 동기 및 목표

• 수십 큐비트의 초전도 큐비트 프로세서에서 고정밀 큐비트 논리 게이트 캘리브레이션의 스케일러비리티 문제를 해결한다.
• 비볼록, 고차원, 강한 제약 조건이 존재하는 캘리브레이션 문제에 대해 전통적인 글로벌 최적화 기법의 비효율성을 극복한다.
• 큐비트 수 증가에 따라 유리하게 스케일링되는 캘리브레이션 전략을 개발하고, 국소 재최적화 및 병렬 처리를 지원한다.
• 상호의존적인 캘리브레이션 레이어(예: 게이트 주파수 캘리브레이션)의 최적 제어 파라미터를 신속하고 자동으로 학습할 수 있도록 한다.
• 복잡하고 결합된 양자 시스템의 캘리브레이션을 가속화하여 양자 우월성의 실현을 지원한다.

제안 방법

• 그래프 분할을 이용해 전역 캘리브레이션 문제를 제약 조건이 상호 배타적인 캘리브레이션 하위 목표로 분해하여 독립적인 최적화 영역을 고립한다.
• 각 하위 목표를 순회 조건이 상호 배타적인 스레드로 분할하고, 시드 기반 순회 전략을 사용해 재귀적으로 순회하고 캘리브레이션한다.
• 히우리스틱 기반 순회 규칙을 사용해 그래프 요소의 순차적 캘리브레이션을 이끌며, 파라미터, 제약 조건, 순회 거리의 동적 조정을 수행한다.
• 지속적인 캘리브레이션과 만료되거나 성능이 저하된 파라미터의 국소 재최적화를 통해 시스템 드프트 상황에서도 성능을 유지한다.
• 제약 조건이 상호 배타적인 하위 그래프를 병렬로 캘리브레이션하고, 캘리브레이션된 영역을 연결하여 대규모 프로세서에 스케일링할 수 있도록 한다.
• 순환 강화 학습 또는 캐시된 오차 모델 평가를 활용해 순회를 이끄는 데 사용하거나 효율성을 향상시키는 잠재적 확장 기법을 통합한다.

실험 결과

연구 질문

• RQ1 스케일러블 최적화 프레임워크는 대규모 초전도 큐비트 프로세서에서 상호의존적인 양자 제어 파라미터 캘리브레이션의 계산 복잡도를 낮출 수 있는가?
• RQ2 양자 게이트 캘리브레이션에서 발생하는 고차원, 비볼록, 제약 조건이 많은 최적화 문제는 어떻게 다룰 수 있는 저차원 하위 문제로 분해할 수 있는가?
• RQ3 동적이고 그래프 기반의 순회 전략은 전역 최적화나 수동 조정 대비 얼마나 빠른 캘리브레이션 속도와 높은 정밀도를 달성할 수 있는가?
• RQ4 이 프레임워크는 전체 재캘리브레이션 없이도 시스템 드프트 상황에서 성능을 유지하기 위해 국소 재캘리브레이션을 지원할 수 있는가?
• RQ5 스네이크 최적화기는 향후 대규모 양자 프로세서를 위한 병렬 처리와 스케일러비리티를 어떻게 지원하는가?

주요 결과

• 스네이크 최적화기는 인간 전문가의 캘리브레이션 대비 53 큐비트 시카모어 프로세서의 캘리브레이션 소요 시간을 약 10,000배 감소시켰다.
• 최적화기는 인간 최적화 설정 대비 중앙값 두 큔비트 게이트 오차율을 20% 감소시켰다.
• 이 방법은 53 큐비트 시카모어 프로세서에서 최첨단 시스템 성능을 달성하였으며, 양자 우월성 실현의 핵심 요소로 작동하였다.
• 최적화 복잡도는 $O(N)$-차원 문제를 기하급수적으로 작아진 검색 공간을 가진 저차원 하위 문제들로 분해함으로써 감소되었다.
• 이 프레임워크는 국소 재캘리브레이션을 지원하여 성능 저하 또는 기한 만료된 파라미터를 전체 시스템 재캘리브레이션 없이 독립적으로 업데이트할 수 있다.
• 알고리즘은 제약 조건이 상호 배타적인 하위 그래프의 병렬 처리에 적합하여 대규모 양자 프로세서의 스케일러블 캘리브레이션을 가능하게 한다.