[论文解读] Quantum Advantage Seeker with Kernels (QuASK): a software framework to speed up the research in quantum machine learning

Francesco Di Marcantonio, Massimiliano Incudini+2 more|arXiv (Cornell University)|Jun 30, 2022

Quantum Computing Algorithms and Architecture参考文献 79被引用 4

一句话总结

QuASK 是一个开源的 Python 框架，通过自动化数据处理、量子核计算和结果分析，加速了量子机器学习研究。它通过与 PennyLane 的集成，支持最先进的量子核技术——包括可训练、投影和结构优化的核——在模拟器和实际的 NISQ 硬件上实现高效实验，并内置了用于识别潜在量子优势的度量指标。

ABSTRACT

Exploiting the properties of quantum information to the benefit of machine learning models is perhaps the most active field of research in quantum computation. This interest has supported the development of a multitude of software frameworks (e.g. Qiskit, Pennylane, Braket) to implement, simulate, and execute quantum algorithms. Most of them allow us to define quantum circuits, run basic quantum algorithms, and access low-level primitives depending on the hardware such software is supposed to run. For most experiments, these frameworks have to be manually integrated within a larger machine learning software pipeline. The researcher is in charge of knowing different software packages, integrating them through the development of long code scripts, analyzing the results, and generating the plots. Long code often leads to erroneous applications, due to the average number of bugs growing proportional with respect to the program length. Moreover, other researchers will struggle to understand and reproduce the experiment, due to the need to be familiar with all the different software frameworks involved in the code script. We propose QuASK, an open-source quantum machine learning framework written in Python that aids the researcher in performing their experiments, with particular attention to quantum kernel techniques. QuASK can be used as a command-line tool to download datasets, pre-process them, quantum machine learning routines, analyze and visualize the results. QuASK implements most state-of-the-art algorithms to analyze the data through quantum kernels, with the possibility to use projected kernels, (gradient-descent) trainable quantum kernels, and structure-optimized quantum kernels. Our framework can also be used as a library and integrated into pre-existing software, maximizing code reuse.

研究动机与目标

• 通过自动化量子与经典机器学习工具之间的管道集成，降低量子机器学习实验的复杂性和错误率。
• 使研究人员能够高效探索和基准测试量子核方法，而无需编写大量低级代码。
• 通过标准化的、基于理论的评估度量指标，支持识别量子优势。
• 提供一个模块化、可扩展的平台，与现有的量子软件栈（如 PennyLane、Qiskit 和 Braket）集成。
• 通过将量子核工作流封装为可重用的命令行和库就绪框架，促进可复现性和代码重用。

提出的方法

• QuASK 实现了命令行界面，用于下载、预处理和分析数据集，并内置了对量子核估计的支持。
• 它支持三种量子核计算方法：重叠测试、C-SWAP 测试，以及通过哈密顿算符 H 的期望值测量实现的投影核。
• 该框架支持使用酉变换 Uϕ(x) 的参数化量子特征映射，并通过 optax 实现基于梯度下降的可训练参数。
• 它集成了结构学习技术，如模拟退火和遗传算法，用于优化量子线路架构。
• QuASK 与底层量子框架无关，可通过 PennyLane 插件在 IBM、Rigetti、IonQ 和 OQC 的模拟器和真实 NISQ 设备上执行。
• 该框架包含一个度量模块，用于计算对齐度、几何差异和模型准确率——这些是评估潜在量子优势的关键指标。

实验结果

研究问题

• RQ1 统一的软件框架在多大程度上可以降低量子机器学习实验中的开发和调试开销？
• RQ2 自动化量子核计算在多大程度上可以加速在真实世界数据集上寻找量子优势的进程？
• RQ3 QuASK 在多大程度上能够有效支持使用基于梯度和组合优化技术的量子核训练与优化？
• RQ4 硬件噪声对量子核性能有何影响？QuASK 在真实设备上模拟或预测这种影响的能力如何？
• RQ5 QuASK 的模块化设计是否能够实现与现有机器学习和量子软件栈的无缝集成，从而提升可复现性和代码重用性？

主要发现

• 通过将低级量子线路编码抽象为高级、可重用的组件，QuASK 降低了实现错误的可能性。
• 该框架支持快速原型设计和量子核的基准测试，包括投影、可训练和结构优化的变体，且用户代码极少。
• 通过专用插件与 PennyLane 的集成，支持在真实 NISQ 硬件（包括 IBM、Rigetti、IonQ 和 OQC 设备）上执行。
• PennyLane 模拟中使用 JAX 加速显著提升了量子核估计的性能。
• QuASK 内置的度量指标（如目标核对齐度和几何差异）提供了识别潜在量子优势的定量指标。
• 该框架支持经典和量子特征映射，并支持用户自定义酉变换和优化策略的可扩展性。