[论文解读] Differentiable Quantum Architecture Search

Shi‐Xin Zhang, Chang‐Yu Hsieh+2 more|arXiv (Cornell University)|Oct 16, 2020

Quantum Computing Algorithms and Architecture被引用 15

一句话总结

本文提出可微分量子架构搜索（DQAS），一种通用框架，可实现量子线路架构的端到端、可微分优化。通过将离散的量子线路结构松弛为连续、可微分的空间，DQAS能高效发现适用于酉矩阵分解、噪声缓解和QAOA线路设计等任务的最优量子线路，相较于标准方法在更低线路深度下实现更优性能。

ABSTRACT

Quantum architecture search (QAS) is the process of automating architecture engineering of quantum circuits. It has been desired to construct a powerful and general QAS platform which can significantly accelerate current efforts to identify quantum advantages of error-prone and depth-limited quantum circuits in the NISQ era. Hereby, we propose a general framework of differentiable quantum architecture search (DQAS), which enables automated designs of quantum circuits in an end-to-end differentiable fashion. We present several examples of circuit design problems to demonstrate the power of DQAS. For instance, unitary operations are decomposed into quantum gates, noisy circuits are re-designed to improve accuracy, and circuit layouts for quantum approximation optimization algorithm are automatically discovered and upgraded for combinatorial optimization problems. These results not only manifest the vast potential of DQAS being an essential tool for the NISQ application developments, but also present an interesting research topic from the theoretical perspective as it draws inspirations from the newly emerging interdisciplinary paradigms of differentiable programming, probabilistic programming, and quantum programming.

研究动机与目标

• 开发一种通用的、自动化的量子架构搜索（QAS）框架，以克服变分量子算法中固定ansatz设计的局限性。
• 实现量子线路结构（包括门数、连通性和布局）的端到端可微分优化，以在NISQ约束下提升性能。
• 通过自动发现紧凑、高保真度的架构，提升量子线路的资源效率和抗错能力。
• 将可微分神经架构搜索（DARTS）的成功经验拓展至量子线路，利用连续松弛实现更快、更可扩展的搜索。
• 在多种量子计算任务中展示该框架的实用性，包括QAOA优化、酉矩阵分解和误差缓解。

提出的方法

• 通过可微分门和架构决策的连续松弛，将量子线路架构的离散搜索空间松弛为连续、可微分的参数空间。
• 采用基于梯度的优化方法，以端到端方式联合训练架构参数和线路参数。
• 使用基于哈密顿量的层生成方法并结合子图采样，构建稀疏且高效的ZZ层，以减少线路深度同时保持表达能力。
• 应用可微分目标函数，如平均能量和CVaR（条件风险价值），以指导组合优化问题的架构搜索。
• 集成简化图ansatz技术，仅使用原始图中部分边来定义纠缠层，从而实现高效且可扩展的搜索。
• 利用可微分编程范式，将量子线路设计与经典优化统一，支持通过线路结构进行反向传播。

实验结果

研究问题

• RQ1 能否设计一种可微分框架，以连续、基于梯度的方式自动化搜索最优量子线路架构？
• RQ2 在组合优化问题中，DQAS与标准QAOA及固定ansatz方法相比，在线路深度和精度方面表现如何？
• RQ3 DQAS在保持或提升性能的前提下，能在多大程度上发现门数和连通性更少的紧凑、资源高效的量子线路？
• RQ4 DQAS能否通过在电路设计中自动整合误差缓解策略，有效应对噪声或易出错的量子硬件？
• RQ5 在存在大量局部极小值的优化景观中，DQAS存在哪些局限性？如何通过自然梯度下降等策略增强其在高精度任务（如基态制备）中的表现？

主要发现

• 对于具有精确MAXCUT = 12的无权图，DQAS发现的简化ansatz线路仅需5层即可达到精确的MAXCUT值，优于P=1和P=2的原始QAOA电路。
• DQAS优化的无权图线路与基态的重叠度为1.0，而P=1和P=2 QAOA的重叠度分别为0.250和0.471。
• 在具有高斯分布边权的加权图中，DQAS优化的线路CVaR值为10.18，略低于精确值10.20587，而P=2 QAOA的CVaR值为10.20587。
• DQAS优化的加权图线路深度与P=1 QAOA相同，但在CVaR目标上优于P=2 QAOA，展现出更高的效率。
• DQAS所采用的简化图ansatz边密度远低于原图的一半，但仍能实现高保真度近似，表明其具备强大的泛化能力和稀疏性效率。
• 在架构性能相近的复杂情况下，DQAS偶尔会收敛至次优解，这是由于陷入局部极小值所致，凸显了采用自然梯度下降等增强优化策略的必要性。