[論文レビュー] Robust Implementation of Generative Modeling with Parametrized Quantum Circuits

Vicente Leyton‐Ortega, Alejandro Perdomo‐Ortiz+1 more|arXiv (Cornell University)|Jan 23, 2019

Quantum Computing Algorithms and Architecture被引用数 6

ひとこと要約

本論文は、RigettiのQuantum Cloud Servicesを用いて、データ駆動型量子回路学習（DDQCL）のハードウェア上でのロバストなベンチマークを提示する。対象は、古典的最適化手法、回路アーキテクチャ（スター型対線形型のエンタングルメント接続構造）、回路の深さを評価するもので、Bars and Stripesデータセットを用いる。結果として、回路の深さと構造が性能に顕著な影響を与えることが示され、スター型構造は高いキュービット保証性のおかげでより速い収束を示す。また、ゲート保証性を超えてNISQデバイス評価に有用な指標としてqBASを確立する。

ABSTRACT

Although the performance of hybrid quantum-classical algorithms is highly dependent on the selection of the classical optimizer and the circuit ansatz, a robust and thorough assessment on-hardware of such features has been missing to date. From the optimizer perspective, the primary challenge lies in the solver's stochastic nature, and their significant variance over the random initialization. Therefore, a robust comparison requires that one perform several training curves for each solver before one can reach conclusions about their typical performance. Since each of the training curves requires the execution of thousands of quantum circuits in the quantum computer, such a robust study remained a steep challenge for most hybrid platforms available today. Here, we leverage on Rigetti's Quantum Cloud Services to overcome this implementation barrier, and we study the on-hardware performance of the data-driven quantum circuit learning (DDQCL) for three different state-of-the-art classical solvers, and on two-different circuit ansatze associated to different entangling connectivity graphs for the same task. Additionally, we assess the gains in performance from varying circuit depths. To evaluate the typical performance associated with each of these settings in this benchmark study, we use at least five independent runs of DDQCL towards the generation of quantum generative models capable of capturing the patterns of the canonical Bars and Stripes data set.

研究の動機と目的

• 実ハードウェア上でのハイブリッド量子古典的アルゴリズムの、ロバストかつマルチランの評価を実施し、単一のトレーニング曲線に依存する研究の限界を克服すること。
• 古典的最適化手法、回路アーキテクチャ（スター型対線形型の接続構造）、回路深さが、パラメータ化された量子回路を用いた生成モデルの性能に与える影響を評価すること。
• 特にキュービット保証性を含むハードウェアの品質が、エンタングルメント接続構造の違いに起因する性能差にどのように影響するかを評価すること。
• qBASスコアを用いた、実験的・再現可能なベンチマークフレームワークを確立し、NISQデバイスの実用的機械学習タスクにおける性能評価に資すること。
• クラウドベースの量子インfraストラクチャを活用することで、スケーラブルかつ繰り返し可能な実験を実現し、量子アルゴリズム的要因のより体系的かつ公平な比較を可能にすること。

提案手法

• 本研究では、RigettiのQuantum Cloud Services（QCS™）を用い、実超伝導量子ハードウェア上で、DDQCLアルゴリズムの複数の独立したトレーニングラン（1設定あたり5回以上）を実行する。
• DDQCLフレームワークは、変分最適化ループを用いて、パラメータ化された量子回路（PQC）を訓練し、Bars and Stripesデータセットのターゲット分布に一致する量子状態を生成する。
• 同一のハードウェア条件下で、最先端の3つの古典的最適化手法（COBYLA、L-BFGS-B、SPSA）を評価し、収束性と安定性を比較する。
• 2種類の回路アーキテクチャを用いる：1つはスター型エンタングルメント接続構造、もう1つは線形チェーン型構造。両者とも、1層および2層のエンタングルメント層（深さ）でテストする。
• 測定結果の信頼性を向上させ、コスト関数評価におけるノイズ由来バイアスを低減するために、読み出しエラー補正戦略を適用する。
• 各設定に対してqBAS（生成モデル用の量子ベンチマーク）スコアを計算し、異なる最適化手法や回路構造間での性能を定量的に比較する。

実験結果

リサーチクエスチョン

• RQ1 古典的最適化手法の選択が、実ハードウェア上でのパラメータ化された量子回路を用いた生成モデルのロバスト性および収束速度にどのように影響するか？
• RQ2 実NISQデバイス上での量子生成モデルの性能に、エンタングルメント接続構造（スター型対線形型）が及える影響は何か？
• RQ3 回路深さ（1層から2層に）を増加させることで、量子回路のターゲット分布の学習能力にどのような影響が生じるか？
• RQ4 キュービット保証性を含むハードウェア固有要因が、回路構造の違いに起因する性能差に、どの程度影響を及えるか？
• RQ5 実ハードウェア実験とqBASスコアを組み合わせることで、NISQデバイス用に一貫性があり信頼性のあるベンチマークフレームワークを確立できるか？

主な発見

• スター型構造は、回路深さやゲート数が類似しているにもかかわらず、線形型構造よりも顕著に速い収束とより優れた最終的性能を達成した。これは、ハードウェア品質が極めて重要な役割を果たしていることを示唆している。
• 2層目のエンタングルメント層を追加すると、スター型構造では性能が著しく向上したが、線形型構造では改善がわずかまたは遅く、構造依存の深さスケーリングの傾向が示された。
• SPSA最適化手法は、複数回のランにわたって最も安定した性能を示し、COBYLA や L-BFGS-B に比べて収束のばらつきが小さかった。後者は初期化のランダム性に対してより感受性が高かった。
• qBASスコアは、単一のゲート保証性を超えて、デバイス性能を定量的に評価可能な一貫性があり信頼性のある指標であった。
• ノイズのないキュービットを用いたインシミュレーションでは、スター型構造に本質的な利点は認められず、観察された性能差は、スター型構造に属するキュービットサブセットの高い保証性に起因していることが示された。
• 読み出しエラー補正により、測定結果の信頼性が向上し、とくにノイズの強いハードウェア環境下で、コスト関数評価の正確性が向上した。