[论文解读] A Domain-agnostic, Noise-resistant, Hardware-efficient Evolutionary Variational Quantum Eigensolver

Arthur G. Rattew, Shaohan Hu+3 more|arXiv (Cornell University)|Oct 21, 2019

Quantum Computing Algorithms and Architecture参考文献 36被引用 45

一句话总结

EVQE 通过进化编程自动生成并优化量子电路的变分形式，这些形式具备领域无关性、硬件感知性，并且比固定的 VQE 形式对噪声更具鲁棒性；在更少 CX 门的前提下实现更浅的电路，并在真实量子硬件上具有良好表现。

ABSTRACT

Variational quantum algorithms have shown promise in numerous fields due to their versatility in solving problems of scientific and commercial interest. However, leading algorithms for Hamiltonian simulation, such as the Variational Quantum Eigensolver (VQE), use fixed preconstructed ansatzes, limiting their general applicability and accuracy. Thus, variational forms---the quantum circuits that implement ansatzes ---are either crafted heuristically or by encoding domain-specific knowledge. In this paper, we present an Evolutionary Variational Quantum Eigensolver (EVQE), a novel variational algorithm that uses evolutionary programming techniques to minimize the expectation value of a given Hamiltonian by dynamically generating and optimizing an ansatz. The algorithm is equally applicable to optimization problems in all domains, obtaining accurate energy evaluations with hardware-efficient ansatzes. In molecular simulations, the variational forms generated by EVQE are up to $18.6 imes$ shallower and use up to $12 imes$ fewer CX gates than those obtained by VQE with a unitary coupled cluster ansatz. EVQE demonstrates significant noise-resistance properties, obtaining results in noisy simulation with at least $3.6 imes$ less error than VQE using any tested ansatz configuration. We successfully evaluated EVQE on a real 5-qubit IBMQ quantum computer. The experimental results, which we obtained both via simulation and on real quantum hardware, demonstrate the effectiveness of EVQE for general-purpose optimization on the quantum computers of the present and near future.

研究动机与目标

• 通过使电路结构的自动生成与优化来解决 VQE 中固定变分形式的局限性。
• 开发可适用于化学、优化、金融和人工智能等领域的领域无关变分算法。
• 通过进化出符合硬件连通性和噪声特征的较浅电路来提高硬件效率和对噪声的鲁棒性。
• 在分子问题和基准问题上与传统的 VQE/UCCSD 相较显示出经验优势，包括在真实量子硬件上的表现。

提出的方法

• 将量子电路表示为基因组，每个基因编码一个由集合 {I, U3, CU3} 中门构成的电路层。
• 通过无性变异（拓扑、参数和移除变异）进化电路形式，以逐步生长或裁剪层。
• 为新增门使用单位初始化，使添加的门不会改变当前能量评估，从而实现平滑改进。
• 基于遗传血统树进行物种化以维持多样的、利基解并防止噪声扰动。
• 将适应度评估为能量期望值加上对电路深度和两量子比特门的小惩罚，以促进浅层、硬件高效的电路（f_i = <ψ_i|H|ψ_i> + α|g_i| + β·CU3(g_i)）。
• 种群层面的探索使用适应度共享和物种化，距离度量由共享基因定义，以维持多目标最优解。

实验结果

研究问题

• RQ1 领域无关的进化过程是否能够生成与领域特定变分变体相竞争的高效变分电路形式？
• RQ2 EVQE 生成的电路在模拟与真实量子硬件上是否表现出增强的对噪声鲁棒性和更小的深度/门数？
• RQ3 无性、具备物种化能力的进化方法如何缓解变分量子优化中的 barren-plateau 问题？
• RQ4 EVQE 生成的电路是否能够在分子哈密顿量上达到化学精度，并且相比基于 UCCSD 的 VQE 具有更少的 CX 门和更低的深度？

主要发现

• EVQE 在 LiH 和 BeH2 基准测试中生成的电路显著更浅，CX 门更少（最多比 VQE/UCCSD 低 18.6× 的深度、BeH2 的 CX 门减少多达 12×）。
• 在 LiH 中，EVQE 电路在基态能量估计方面比 VQE/UCCSD 更浅 5.0–15.2×，CX 门减少 3.5–5.0×。
• EVQE 展现出显著的对噪声鲁棒性，在噪声仿真中对多种解析方案配置的误差至少比 VQE 少 3.6×。
• EVQE 在真实的 5 量子比特 IBMQ 量子处理器上实现了对基态能量的成功估计，证明了硬件的可行性。
• 在 Max-Cut 和车辆路径规划问题上，EVQE 的结果比 VQE 更高效且更具一致性。
• 在态向量仿真中，LiH 和 BeH2 均达到化学精度，EVQE 在距离和配置上表现具有竞争力甚至更好。