[논문 리뷰] EQC : Ensembled Quantum Computing for Variational Quantum Algorithms

Samuel Stein, Yufei Ding외 6명|arXiv (Cornell University)|2021. 11. 29.

Quantum Computing Algorithms and Architecture참고 문헌 42인용 수 6

한 줄 요약

이 논문은 변량 양자 알고리즘(VQA) 학습을 가속화하고 안정화하기 위해 다수의 NISQ 장치를 동적으로 할당하는 양자 앙상블 프레임워크 EQC를 제안한다. 이는 장치별 노이즈와 학습 시간을 감소시킨다. EQC는 최대 86×의 속도 향상을 달성했으며, 500,000개의 회로 평가를 통해 10개의 IBMQ 장치에서 평균 10.5× 빠른 학습을 이룬다. 오차율은 가장 우수한 개별 장치 수준에 가깝다.

ABSTRACT

Variational quantum algorithm (VQA), which is comprised of a classical optimizer and a parameterized quantum circuit, emerges as one of the most promising approaches for harvesting the power of quantum computers in the noisy intermediate scale quantum (NISQ) era. However, the deployment of VQAs on contemporary NISQ devices often faces considerable system and time-dependant noise and prohibitively slow training speeds. On the other hand, the expensive supporting resources and infrastructure make quantum computers extremely keen on high utilization. In this paper, we propose a virtualized way of building up a quantum backend for variational quantum algorithms: rather than relying on a single physical device which tends to introduce temporal-dependant device-specific noise with worsening performance as time-since-calibration grows, we propose to constitute a quantum ensemble, which dynamically distributes quantum tasks asynchronously across a set of physical devices, and adjusting the ensemble configuration with respect to machine status. In addition to reduced machine-dependant noise, the ensemble can provide significant speedups for VQA training. With this idea, we build a novel VQA training framework called EQC that comprises: (i) a system architecture for asynchronous parallel VQA cooperative training; (ii) an analytic model for assessing the quality of the returned VQA gradient over a particular device concerning its architecture, transpilation, and runtime conditions; (iii) a weighting mechanism to adjust the quantum ensemble's computational contribution according to the systems' current performance. Evaluations comprising 500K circuit evaluations across 10 IBMQ devices using a VQE and a QAOA applications demonstrate that EQC can attain error rates close to the most performant device of the ensemble, while boosting the training speed by 10.5x on average (up to 86x and at least 5.2x).

연구 동기 및 목표

• 현재 NISQ 장치에서 변량 양자 알고리즘(VQAs)의 높은 노이즈와 느린 학습 속도 문제를 해결하기 위해.
• 단일 장치에서의 VQA 실행 시 캘리브레이션 이후 경과 시간에 따른 장치별 노이즈와 성능 저하를 줄이기 위해.
• 다수의 NISQ 장치 간 작업을 균형 있게 분배함으로써 양자 하드웨어 활용도를 향상시키기 위해.
• 앙성 내 여러 장치 간 이면적이고 협력적인 양자 계산을 통해 더 빠르고 안정적인 VQA 학습을 가능하게 하기 위해.
• 실시간 성능 메트릭을 기반으로 각 장치의 기여도를 적응적으로 가중치를 설정하는 시스템을 개발하기 위해.

제안 방법

• 아키텍처, 트랜스파일레이션, 런타임 조건를 고려한 분석 모델을 사용하여 각 장치에서 VQA 기울기의 품질을 평가한다.
• 실시간 성능 및 상태를 기반으로 다수의 물리적 NISQ 장치에 걸쳐 VQA 작업을 동적으로 분배한다.
• 측정된 신뢰성과 오차율에 따라 각 장치의 계산 기여도를 조정하는 가중치 메커니즘을 적용한다.
• 시간 지연이 제한된 비동기적 확률적 경사 하강법(SGD)을 사용하여 다수의 장치에서 독립적이고 비동기적인 업데이트를 허용한다.
• 기울기 추정을 위해 파라미터 시프트 규칙을 적용하고 기대값을 추정하기 위해 표본 평균 추정기를 사용한다.
• 장치 간 순차적으로 파라미터를 순환하며 최적화의 균형을 유지하기 위해 순환 순서를 유지한다.

실험 결과

연구 질문

• RQ1 NISQ 장치의 앙성은 단일 장치 실행 대비 장치별 노이즈를 줄이고 VQA 학습 안정성을 향상시킬 수 있는가?
• RQ2 다수의 양자 장치 간 동적 로드 밸런싱을 통해 정확도를 희생시키지 않고 VQA 학습을 얼마나 빠르게 가속화할 수 있는가?
• RQ3 오차율과 학습 속도 측면에서 앙성 시스템의 성능은 가장 우수한 개별 장치와 비교해 어떻게 되는가?
• RQ4 비동기적이고 장치에 종속되지 않는 기울기 업데이트는 VQAs의 수렴성과 최적화 품질에 어떤 영향을 미치는가?
• RQ5 실시간 성능 메트릭을 기반으로 장치를 가중치 조정하는 시스템은 최적에 가까운 오차율을 달성하면서 최대 처리량을 확보할 수 있는가?

주요 결과

• 10개의 IBMQ NISQ 장치에서의 평가 결과, EQC는 VQE 및 QAOA 응용 분야에서 가장 성능이 뛰어난 개별 장치의 오차율과 1.5% 이내로 수렴한다.
• 평가 결과, VQA 학습에서 평균 10.5×의 속도 향상이 이루어졌으며, 다양한 구성에서 5.2×에서 86×까지의 속도 향상이 관찰되었다.
• 실시간 성능에 따라 장치 가중치를 동적으로 조정함으로써 고성능 유지가 가능했으며, 노이즈가 많거나 성능이 열악한 장치의 영향을 줄였다.
• 제한된 시간 지연이 있는 비동기 학습은 이론적 분석을 통해 유한 오차 범위 내에서 해에 수렴하는 것으로 입증되었다.
• 단일 장치(예: IBMQ Manhattan)에서의 학습 시간을 약 4,623시간에서 병렬 분산 실행을 통해 크게 단축시켰다.
• 앙성 접근 방식은 시간에 따라 변하는 캘리브레이션 드리프트와 장치별 편향을 완화하여 전반적인 강건성을 향상시켰다.