[论文解读] GA4QCO: Genetic Algorithm for Quantum Circuit Optimization

Leo Sünkel, Darya Martyniuk+3 more|arXiv (Cornell University)|Feb 2, 2023

Quantum Computing Algorithms and Architecture被引用 11

一句话总结

GA4QCO 使用遗传算法来自动生成并优化量子电路，并由用户定义的适应度函数引导，在保真度目标和受限门集条件下进行演示。

ABSTRACT

The design of quantum circuits is often still done manually, for instance by following certain patterns or rule of thumb. While this approach may work well for some problems, it can be a tedious task and present quite the challenge in other situations. Designing the architecture of a circuit for a simple classification problem may be relatively straightforward task, however, creating circuits for more complex problems or that are resilient to certain known problems (e.g. barren plateaus, trainability, etc.) is a different issue. Moreover, efficient state preparation or circuits with low depth are important for virtually most algorithms. In attempts to automate the process of designing circuits, different approaches have been suggested over the years, including genetic algorithms and reinforcement learning. We propose our GA4QCO framework that applies a genetic algorithm to automatically search for quantum circuits that exhibit user-defined properties. With our framework, the user specifies through a fitness function what type of circuit should be created, for instance circuits that prepare a specific target state while keeping depth at a minimum and maximizing fidelity. Our framework is designed in such a way that the user can easily integrate a custom designed fitness function. In this paper, we introduce our framework and run experiments to show the validity of the approach.

研究动机与目标

• 推动自动量子电路设计以应对NISQ限制和复杂的可训练性问题。
• 提供一个框架，用户可以在其中定义自定义适应度函数来引导电路设计。
• 通过在目标状态的保真度优化以及门集限制下来演示该框架。

提出的方法

• 将每个电路表示为包含元数据的n×m门网格，元数据包括门类型、量子比特、参数和连接性。
• 允许用户定义的适应度函数引导进化，使之朝向所需的电路属性（如保真度、纠缠、ML性能）发展。
• 使用GA组件（种群、选择、交叉、变异），并采用如锦标赛/轮盘/随机选择、单点/多点/分块交叉等策略。
• 支持各种变异算子（门翻转、量子比特/门数量变化、列交换、参数调整）。
• 在交叉前对电路进行填充以达到相同大小，并在交叉后重建多量子比特门。
• 用Python实现，结合Qiskit，并提供GitHub仓库以便通过可配置的种群、代数、深度和门集进行易于访问的试验。

实验结果

研究问题

• RQ1 基于GA的框架是否能够发现实现高保真度、达到目标态的量子电路？
• RQ2 限制门集如何影响GA达到近最优电路的能力？
• RQ3 电路深度与宽度约束对优化结果有何影响？
• RQ4 用户定义的适应度函数是否能引导搜索朝向保真度之外的特定电路属性（如纠缠、ML目标）？

主要发现

• 在不限制门集的情况下进行的保真度优化显示，在1000代、种群200的条件下，适应度稳定提高至约0.8。
• 在受限门集{id, rz, sx, x, cx}下，最佳保真度达到0.994（满分1.0），在10次运行中表现优于随机基线（最佳随机约0.79，平均约0.29）。
• 实验使用4量子比特电路，深度为20，证明该框架能够在目标态保真度上优于随机猜测。
• 该框架很容易证明自定义适应度函数可以引导搜索朝向特定任务属性的电路。
• 结果用Python与Qiskit实现，并在公开的GitHub仓库中提供以便可重复性。