[논문 리뷰] Quantum Computational Advantage via 60-Qubit 24-Cycle Random Circuit Sampling

Qingling Zhu, Sirui Cao외 51명|arXiv (Cornell University)|2021. 09. 08.

Quantum Computing Algorithms and Architecture참고 문헌 2인용 수 14

한 줄 요약

이 논문은 초전도 큐비트 프로세서인 주추취즈 2.1을 사용하여 양자 계산 우위를 입증한다. 60 큐비트, 24 사이클의 무작위 회로 샘플링을 수행했으며, 선형 교차 엔트로피 기준 정확도는 $3.66 \times 10^{-4}$로, 고전적 시뮬레이션의 가능성을 크게 초월한다. 이 작업을 시뮬레이션하는 데 서밋 슈퍼컴퓨터가 48,000년이 걸릴 것으로 예측되며, 이는 이전 시스템 대비 고전적 시뮬레이션 난이도가 5000배 증가한 것이다.

ABSTRACT

To ensure a long-term quantum computational advantage, the quantum hardware should be upgraded to withstand the competition of continuously improved classical algorithms and hardwares. Here, we demonstrate a superconducting quantum computing systems extit{Zuchongzhi} 2.1, which has 66 qubits in a two-dimensional array in a tunable coupler architecture. The readout fidelity of extit{Zuchongzhi} 2.1 is considerably improved to an average of 97.74\%. The more powerful quantum processor enables us to achieve larger-scale random quantum circuit sampling, with a system scale of up to 60 qubits and 24 cycles. The achieved sampling task is about 6 orders of magnitude more difficult than that of Sycamore [Nature extbf{574}, 505 (2019)] in the classic simulation, and 3 orders of magnitude more difficult than the sampling task on extit{Zuchongzhi} 2.0 [arXiv:2106.14734 (2021)]. The time consumption of classically simulating random circuit sampling experiment using state-of-the-art classical algorithm and supercomputer is extended to tens of thousands of years (about $4.8 imes 10^4$ years), while extit{Zuchongzhi} 2.1 only takes about 4.2 hours, thereby significantly enhancing the quantum computational advantage.

연구 동기 및 목표

• 고전적 시뮬레이션의 한계를 초월하는 대규모 무작위 회로 샘플링을 통해 양자 계산 우위를 입증하기 위해.
• 하이버트 공간 차원을 $2^{60}$으로 증가시키기 위해 큐비트 수와 회로 깊이를 확장하여 시뮬레이션 난이도를 높이기 위해.
• 교차 엔트로피 기준 측정과 고전적 시뮬레이션 비용 추정을 통해 주추취즈 2.1 프로세서의 성능을 검증하기 위해.
• 향후 NISQ 시대의 응용 분야, 예를 들어 검증된 무작위성과 오류 보정 기법을 위한 기준을 설정하기 위해.
• Sycamore, 주추취즈 2.0, 주추취즈 2.1 등 다양한 양자 프로세서 규모에서 탄성 네트워크 알고리즘을 사용한 고전적 시뮬레이션 비용을 비교하기 위해.

제안 방법

• 12개의 무작위로 생성된 회로 인스턴스를 기반으로 주추취즈 2.1 초전도 양자 프로세서에서 60 큐비트, 24 사이클의 무작위 회로 샘플링을 수행하였다.
• 전체 60 큐비트, 24 사이클 회로의 정확도를 추정하기 위해 패치 및 에일리드 회로를 사용하여 실험적 오버헤드를 감소시켰다.
• 각 인스턴스당 약 $7.0 \times 10^7$ 비트스트링을 샘플링하여 선형 교차 엔트로피 기준(XEB) 정확도를 측정하였다.
• 플로ating 포인트 연산을 기준으로 고전적 계산 비용을 추정하기 위해 cotengra 패키지를 활용한 탄성 네트워크 알고리즘을 적용하였다.
• 0.0366%의 정확도에서 $7.0 \times 10^7$개의 샘플에 대해 총 고전적 시뮬레이션 비용을 $1.10 \times 10^{22}$ 플로팅 포인트 연산으로 계산하였다.
• 서밋 슈퍼컴퓨터를 사용하여 런타임을 외삽하여, 60 큐비트, 24 사이클 작업의 고전적 시뮬레이션에 약 48,000년이 소요될 것으로 추정하였다.

실험 결과

연구 질문

• RQ1 60 큐비트, 24 사이클의 무작위 양자 회로는 높은 통계적 신뢰도로 샘플링될 수 있는가? 이는 고전적 시뮬레이션 대비 양자 우위를 입증하는가?
• RQ2 큐비트 수와 회로 깊이가 증가함에 따라 고전적 시뮬레이션 비용은 어떻게 변화하는가? 현재의 슈퍼컴퓨터 성능을 초월하는가?
• RQ3 주추취즈 2.1 프로세서는 Sycamore 및 주추취즈 2.0와 비교해 시뮬레이션 난이도 측면에서 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 패치 및 에일리드 회로 방법은 대규모 전체 회로의 정확도를 신뢰성 있게 추정할 수 있는가?
• RQ5 최신 탄성 네트워크 알고리즘을 사용할 경우, 60 큐비트, 24 사이클의 무작위 회로를 시뮬레이션하는 데 예상되는 고전적 런타임은 얼마인가?

주요 결과

• 60 큐비트, 24 사이클의 무작위 회로 샘플링에 대한 선형 XEB 정확도는 $(3.66 \pm 0.345) \times 10^{-4}$로 측정되었으며, 근본 가설(균일 샘플링)은 10 표준편차 이상의 유의수준에서 기각되었다.
• 60 큐비트, 24 사이클 작업의 고전적 시뮬레이션 비용은 $1.10 \times 10^{22}$ 플로팅 포인트 연산으로 추정되었으며, 서밋 슈퍼컴퓨터에서 약 48,000년이 소요될 것으로 예측되었다.
• 60 큐비트, 24 사이클 작업의 시뮬레이션 난이도는 주추취즈 2.0의 56 큐비트, 20 사이클 작업 대비 약 5000배 높으며, Sycamore의 53 큐비트, 20 사이클 작업 대비 6자리 수준 높다.
• 탄성 네트워크 알고리즘을 통해 60 큐비트, 24 사이클 회로의 완벽한 샘플 하나를 생성하는 데 $1.63 \times 10^{18}$ 플로팅 포인트 연산이 필요하다고 추정되었다.
• 패치 및 에일리드 회로 방법을 활용함으로써 전체 60 큐비트, 24 사이클 회로의 정확도를 높은 통계적 신뢰도로 정확하게 추정할 수 있었다.
• 샘플링된 회로의 하이버트 공간 차원은 $2^{60}$에 도달하여, 양자 계산 자원의 규모가 크게 증가한 것을 의미한다.