[论文解读] An Improved Volumetric Metric for Quantum Computers via more Representative Quantum Circuit Shapes

Keith Miller, Charles Broomfield+3 more|arXiv (Cornell University)|Jul 5, 2022

Quantum Computing Algorithms and Architecture被引用 5

一句话总结

本文提出了一种广义的量子容积度量方法——量子容积类别（Quantum Volumetric Classes, QVC），通过用应用驱动的电路形状替代传统量子容积中的方形电路假设，以更好地反映真实世界量子算法工作负载。该方法基于与量子比特数量相关的深度缩放特性，识别出四种代表性QVC类别（QV-1至QV-4），覆盖了91%的调研量子算法，从而为含噪声中等规模含噪声（NISQ）和容错量子系统提供更准确、与应用对齐的性能评估。

ABSTRACT

In this work, we propose a generalization of the current most widely used quantum computing hardware metric known as the quantum volume. The quantum volume specifies a family of random test circuits defined such that the logical circuit depth is equal to the total number of qubits used in the computation. However, such square circuit shapes do not directly relate to many specific applications for which one may wish to use a quantum computer. Based on surveying available resource estimates for known quantum algorithms, we generalize the quantum volume to a handful of representative circuit shapes, which we call Quantum Volumetric Classes, based on the scaling behavior of the logical circuit depth (time) with the problem size (qubit number).

研究动机与目标

• 解决标准量子容积度量与实际量子算法资源需求之间不匹配的问题。
• 开发一种适用于近期（NISQ）和长期（容错）量子计算平台的统一度量方法。
• 创建一种简单且与应用相关的度量方法，使非专家能够评估和比较量子硬件。
• 通过将性能度量直接与真实世界算法工作负载和计算需求关联，提升度量的实用性。
• 为终端用户、政府和产业界在量子技术采用过程中提供支持战略决策的框架。

提出的方法

• 作者分析了58个已知的量子算法，以确定其逻辑电路深度随量子比特数量（n）的缩放行为，识别出深度行为中的主导模式。
• 基于此分析，定义了四种量子容积类别（QVC）：QV-1（深度 ~n）、QV-2（深度 ~n²）、QV-3（深度 ~n³）和QV-4（深度 ~n⁴），分别对应不同的算法工作负载。
• 该方法通过用这些代表性电路形状替代原始量子容积公式中的方形电路假设，对原始量子容积公式进行泛化，保留了空间-时间容积的核心思想，但将其扩展至非方形形式。
• QVC框架设计为与平台和错误纠正无关，定义在逻辑层面，以反映应用需求。
• 该方法使用对算法资源估算的统计分析，验证了四种QVC类别在应用领域中的代表性。
• 该框架支持将算法映射到QVC类别，从而能够根据特定应用需求评估硬件性能。

实验结果

研究问题

• RQ1 在已知的量子算法中，逻辑电路深度与量子比特数量如何缩放，其行为模式是什么？
• RQ2 能否定义一种广义的量子容积度量，使其比原始的方形电路量子容积更能反映真实世界算法工作负载？
• RQ3 在深度缩放方面，哪些电路形状最能代表当前和新兴的量子应用？
• RQ4 现有量子算法在多大程度上与所提出的量子容积类别（QVC）对齐？
• RQ5 如何设计一种统一的、与应用对齐的度量方法，以支持NISQ和容错量子计算的评估？

主要发现

• QVC框架识别出四种代表性电路形状——QV-1（深度 ~n）、QV-2（深度 ~n²）、QV-3（深度 ~n³）和QV-4（深度 ~n⁴），这些形状捕捉了量子算法中主导的深度缩放行为。
• 在调研的58个量子算法中，91%（53个）与其中一类QVC对齐，其中QV-1（深度 ~n）最为常见，覆盖了31%的算法。
• 机器学习和优化类算法主要与QV-1对齐，而多体物理和化学类算法则与QV-2（深度 ~n²）对齐最强烈。
• 数值求解器类算法（如Shor算法）与QV-3或QV-4对齐，表明因式分解和模拟任务具有更高的深度需求。
• 量子数据隐藏类算法表现出双重对齐：水印技术与QV-2对齐，隐写术与QV-3/QV-4对齐，反映出不同的资源需求。
• 所提出的QVC框架提供了一种比原始量子容积度量更准确、更相关且更具可扩展性的替代方案，提升了非专家和战略决策者的可用性。