[논문 리뷰] Unleashing the Potential of LLMs for Quantum Computing: A Study in Quantum Architecture Design

Zhiding Liang, Jinglei Cheng외 7명|arXiv (Cornell University)|2023. 07. 17.

Machine Learning in Materials Science인용 수 10

한 줄 요약

논문은 QGAS를 소개하며, Variational Quantum Algorithms용 ansatz 아키텍처를 제안·평가하는 GPT-4 가이드 프레임워크로, 최소한의 프롬프트와 인간 피드백으로도 최첨단 방법과 비교 가능한 성능을 보임.

ABSTRACT

Large Language Models (LLMs) contribute significantly to the development of conversational AI and has great potentials to assist the scientific research in various areas. This paper attempts to address the following questions: What opportunities do the current generation of generative pre-trained transformers (GPTs) offer for the developments of noisy intermediate-scale quantum (NISQ) technologies? Additionally, what potentials does the forthcoming generation of GPTs possess to push the frontier of research in fault-tolerant quantum computing (FTQC)? In this paper, we implement a QGAS model, which can rapidly propose promising ansatz architectures and evaluate them with application benchmarks including quantum chemistry and quantum finance tasks. Our results demonstrate that after a limited number of prompt guidelines and iterations, we can obtain a high-performance ansatz which is able to produce comparable results that are achieved by state-of-the-art quantum architecture search methods. This study provides a simple overview of GPT's capabilities in supporting quantum computing research while highlighting the limitations of the current GPT at the same time. Additionally, we discuss futuristic applications for LLM in quantum research.

연구 동기 및 목표

• NISQ 및 FTQC 체제에서 양자 아키텍처 설계에 현재 및 미래의 GPT가 어떻게 도움을 줄 수 있는지 탐구한다.
• VQAs용 ansatz 아키텍처를 생성하고 벤치마크하며 반복하기 위한 GPT-가이드 워크플로우(QGAS)를 제안한다.
• 화학, 금융, 조합 최적화 벤치마크 전반에서 GPT-유래 ansatz의 성능을 평가한다.
• GPT 주도 설계에서 인간 피드백의 역할을 분석하고 이 분야에서의 GPT의 한계를 식별한다.

제안 방법

• 여섯 가지 디자인 공간을 정의한다. 여섯 가지 디자인 공간은 특정 게이트 블록과 큐비트 배치를 갖춘다.
• GPT-4를 사용하여 후보 ansatz 구조를 생성하고, 실행을 위해 GPT-3.5를 통해 QASM으로 변환한다.
• 생성된 ansatz 구조를 문제 특화 해밀토니안에 대해 학습시키고(화학은 페르미온 매핑으로; 금융/최적화는 Ising으로).
• 벤치마크를 사용하여 ansatz의 성능을 평가한다( H2O와 LiH의 분자 기저상 에너지; Max-Cut, TSP, 포트폴리오 최적화).
• 디자인 공간을 순위를 매기고 이후의 GPT 기반 검색(QGAS)을 안내하기 위해 인간 전문가 피드백을 반영한다.
• 노이즈 및 하드웨어 모델하에서 QGAS가 생성한 ansatz를 최첨단 기준선(UCCSD, QuantumNAS)과 비교한다.

Figure 1 : Illustration of design and implementation of QGAS. Following an initial encoding issue, GPT-4 suggests an ansatz, which is subsequently processed by a sub-model constructed by GPT-3.5 to convert it into QASM format. To assess the effectiveness of the ansatz, a benchmarking application is

실험 결과

연구 질문

• RQ1 GPT-4가 사전에 정의된 디자인 공간 내에서 고품질의 ansatz 아키텍처를 반복적으로 제안할 수 있는가?
• RQ2 게이트 수, 충실도, 최적화 효율성 측면에서 GPT-가이드 아키텍처 검색(QGAS)이 기존 방법과 어떻게 비교되는가?
• RQ3 노이즈 및 하드웨어 제약 하에서 GPT-주도 양자 회로 설계에 대한 인간 피드백의 영향은 무엇인가?
• RQ4 결함 허용 양자 컴퓨팅 워크플로우를 가능하게 하는 GPT의 한계와 미래 가능성은 무엇인가?

주요 결과

• QGAS는 제한된 수의 프롬프트와 반복으로도 고성능의 ansatz 아키텍처를 생성할 수 있다.
• QGAS는 포트폴리오 최적화에서 일부 전통적 아키텍처(TwoLocal, RealAmplitude)보다 우수하지만, 가끔 더 높은 게이트 수의 대가를 치른다.
• 무잡음 조건에서 분자 기저상 에너지 과제에서 UCCSD와 비교 가능하거나 더 좋은 성능을 보이며 QuantumNAS에 접근한다.
• GPT 주도 프롬프트에 인간 피드백을 결합하면 최적화 에폭을 크게 줄이고 회로 깊이를 안내할 수 있다.
• 노이즈가 있는 환경에서 QGAS는 QuantumNAS만큼 효과적이지 않지만 여전히 무작위로 생성된 ansatz보다 우수하다.
• 인간 피드백은 GPT 제안을 이끌고 실용적 타당성 및 성능 향상을 위해 결정적이다.

Figure 2 : Visualization of benchmark applications. a) Max-Cut problem with 5 nodes. b) Traveling Salesman Problem with 3 nodes. c) Portfolio Optimization problem. d) Molecule structure of $H_{2}O$ . e) Molecule Structure of $LiH$ .