[论文解读] A framework for algorithm deployment on cloud-based quantum computers

Sukin Sim, Yudong Cao+3 more|arXiv (Cornell University)|Oct 24, 2018

Quantum Computing Algorithms and Architecture被引用 11

一句话总结

本文介绍了 algo2qpu，这是一个模块化、高层级的框架，用于在基于云的量子计算机上部署和原型化自适应混合量子-经典（AHQC）算法。它通过抽象低层次硬件细节并利用经典优化简化参数调优，实现了对 NISQ 时代算法（如变分量子分类器和量子自编码器）的高效开发与优化，在 Rigetti 的 Forest 平台上的实际应用中展示了可测量的保真度和分类准确率提升。

ABSTRACT

In recent years, the field of quantum computing has significantly developed in both the improvement of hardware as well as the assembly of various software tools and platforms, including cloud access to quantum devices. Unfortunately, many of these resources are rapidly changing and thus lack accessibility and stability for robust algorithm prototyping and deployment. Effectively leveraging the array of hardware and software resources at a higher level, that can adapt to the rapid development of software and hardware, will allow for further advancement and democratization of quantum technologies to achieve useful computational tasks. As a way to approach this challenge, we present a flexible, high-level framework called algo2qpu that is well-suited for designing and testing instances of algorithms for near-term quantum computers on the cloud. Algorithms that employ adaptive protocols for optimizations of algorithm parameters can be grouped under the umbrella of "adaptive hybrid quantum-classical" (AHQC) algorithms. We demonstrate the utility of algo2qpu for near-term algorithm development by applying the framework to implement proof-of-principle instances of two AHQC algorithms that have applications in quantum chemistry and/or quantum machine learning, namely the quantum autoencoder and the variational quantum classifier, using Rigetti Computing's Forest platform.

研究动机与目标

• 通过创建一个灵活、高层级的框架，实现对算法原型的稳健支持，以应对量子软硬件生态系统的不稳定性和快速演进。
• 通过减少对低层次硬件细节的依赖，简化在基于云的量子处理器上开发和测试自适应混合量子-经典（AHQC）算法的流程。
• 通过在 Rigetti 的 8Q-Agave 设备上实现量子自编码器和变分量子分类器的实际应用，展示该框架的实用性。
• 使研究人员能够通过实际量子线路执行的反馈，迭代改进量子线路设计，从而提升算法性能。
• 通过抽象平台特定的复杂性并支持跨平台兼容性，推动量子计算的民主化与可扩展性。

提出的方法

• algo2qpu 框架将量子线路构建和参数优化抽象为模块化、可重用的组件，将算法逻辑与硬件特定细节解耦。
• 它采用经典优化算法（如 Nelder-Mead）来调节量子线路中的变分参数，以最小化或最大化能量、保真度或似然等目标函数。
• 该框架支持端到端执行流水线，包括线路生成、参数优化以及在可访问的云量子硬件或模拟器上执行。
• 它与现有量子软件栈（如 Rigetti 的 Forest 平台）集成，支持在真实设备和模拟器上无缝部署。
• 该框架通过分析测量结果并基于实证反馈调整参数，支持对量子线路的迭代优化。
• 它支持更高层次的抽象，例如将某些门视为上下文设置参数，从而实现更高效的优化和线路解释。

实验结果

研究问题

• RQ1 如何设计一个高层级软件框架，以抽象快速演进的基于云的量子硬件和软件栈的复杂性？
• RQ2 模块化框架在多大程度上能够提升自适应混合量子-经典算法原型设计的效率与可重现性？
• RQ3 algo2qpu 框架是否能够成功实现在真实 NISQ 设备上的量子自编码器和变分量子分类器的实现与优化？
• RQ4 实际量子线路执行的反馈如何指导并改进线路设计与参数优化？
• RQ5 通过经典优化进行参数调优，在实现高保真度的量子机器学习和量子化学任务中起到何种作用？

主要发现

• algo2qpu 框架成功实现了在 Rigetti 的 8Q-Agave 设备上对变分量子分类器的实现与优化，实现了对 XOR 形数据集的准确分类。
• 使用 Nelder-Mead 算法进行优化后，分类器性能得到提升，最优参数设置为 $ w_0 = \pi/2 $，其对应的概率表达式能够捕捉到类似 XOR 的决策边界。
• 该框架表明参数 $ w_1 $ 不影响顶层量子比特的测量结果，因此可被视为测量上下文参数，从而简化了优化空间。
• 显式计算概率 $ p_1 $ 确认，项 $ \sin(\theta_0)\cos(\theta_1) $ 通过在不同象限赋予极值相反符号，生成了所需的类似 XOR 的行为。
• 在量子设备上的迭代测试表明，该线路能够完美分类经过偏移的 XOR 数据集，表明实证反馈可有效指导线路改进。
• 该框架与更新的量子平台（如 Rigetti 的 Quantum Cloud Services）保持兼容，确保在硬件和软件持续演进背景下仍具备长期实用性。