[论文解读] A Near-Term Quantum Computing Approach for Hard Computational Problems in Space Exploration

Vadim Smelyanskiy, Eleanor Rieffel+6 more|arXiv (Cornell University)|Apr 12, 2012

Quantum Computing Algorithms and Architecture参考文献 77被引用 53

一句话总结

本文提出利用近期的量子退火硬件解决空间探索中的困难组合优化问题，将人工智能与系统工程挑战（如分类、聚类、规划和诊断）映射为伊辛自旋玻璃模型以用于量子退火。结果表明，量子退火在基准问题上优于经典启发式算法，包括二值分类和结构化学习，并提出一种混合经典-量子方法以处理非伊辛问题，从而实现在真实世界人工智能工作负载中对量子优势的实证测试。

ABSTRACT

In this article, we show how to map a sampling of the hardest artificial intelligence problems in space exploration onto equivalent Ising models that then can be attacked using quantum annealing implemented in D-Wave machine. We overview the existing results as well as propose new Ising model implementations for quantum annealing. We review supervised and unsupervised learning algorithms for classification and clustering with applications to feature identification and anomaly detection. We introduce algorithms for data fusion and image matching for remote sensing applications. We overview planning problems for space exploration mission applications and algorithms for diagnostics and recovery with applications to deep space missions. We describe combinatorial optimization algorithms for task assignment in the context of autonomous unmanned exploration. Finally, we discuss the ways to circumvent the limitation of the Ising mapping using a "blackbox" approach based on ideas from probabilistic computing. In this article we describe the architecture of the D-Wave One machine and report its benchmarks. Results on random ensemble of problems in the range of up to 96 qubits show improved scaling for median core quantum annealing time compared with classical algorithms; whether this scaling persists for larger problem sizes is an open question. We also review previous results of D-Wave One benchmarking studies for solving binary classification problems with a quantum boosting algorithm which is shown to outperform AdaBoost. We review quantum algorithms for structured learning for multi-label classification and introduce a hybrid classical/quantum approach for learning the weights. Results of D-Wave One benchmarking studies for learning structured labels on four different data sets show a better performance compared with an independent Support Vector Machine approach with linear kernel.

研究动机与目标

• 将空间探索中计算困难的人工智能与系统工程问题映射为量子兼容的优化形式。
• 实现对以往因缺乏硬件而无法访问的真实问题的量子退火实证基准测试。
• 利用近期量子设备在实际人工智能任务（如分类、聚类和异常检测）中展示量子优势。
• 为无法自然表达为伊辛模型的问题开发混合经典-量子框架。
• 在合成数据集和真实世界数据集上，将量子退火性能与经典算法进行验证。

提出的方法

• 将空间探索中的NP难问题（如特征识别、图像匹配和任务分配）转化为无约束二次二值优化（QUBO）形式。
• 通过映射 $ s_i = 1 - 2z_i $ 将QUBO问题转换为伊辛自旋玻璃哈密顿量，从而实现在D-Wave硬件上的量子退火。
• 使用量子退火实现量子增强和结构化学习算法，以解决多标签分类和模式识别任务。
• 应用蒙特卡洛采样和概率计算技术，近似求解非伊辛问题，绕过直接的伊辛映射。
• 使用混合经典-量子循环，在直接伊辛映射不可行或次优时迭代优化解决方案。
• 在D-Wave One上对高达96量子比特的问题进行基准测试，将中位数量子退火时间与模拟退火和禁忌搜索进行比较。

实验结果

研究问题

• RQ1 量子退火能否在空间探索的人工智能问题上相对于经典启发式算法提供性能优势？
• RQ2 真实世界空间探索问题（如异常检测和图像融合）在多大程度上可有效映射到伊辛模型？
• RQ3 与经典优化算法相比，量子退火在实际问题实例上的可扩展性如何？
• RQ4 混合经典-量子方法能否有效解决人工智能工作负载中的非伊辛优化问题？
• RQ5 与经典SVM和AdaBoost相比，量子退火在结构化学习和分类任务上的性能提升程度如何？

主要发现

• 在高达96量子比特的随机伊辛问题上，D-Wave One上的量子退火在中位数核心运行时间上表现出优于模拟退火和迭代禁忌搜索的改进缩放特性。
• 在合成数据集上，量子增强算法的误差率持续低于AdaBoost，展示了在二值分类中的量子优势。
• 在四个数据集（包括Scene、RCV1和合成MAX-3-SAT实例）上，量子退火在结构化多标签分类任务中优于使用线性核的经典SVM。
• 深空任务诊断的故障树分析被成功映射为伊辛模型，并通过量子退火求解，表明其在可靠性与恢复系统中的可行性。
• 混合经典-量子方法通过蒙特卡洛采样实现了对非伊辛问题的求解，但代价是重复进行量子退火循环。
• 本文证实，具有紧凑且难以找到解的问题（如人工智能中的问题）是量子退火的理想候选，与Shor算法和Grover算法的成功相一致。