[论文解读] Community Detection Across Emerging Quantum Architectures

Ruslan Shaydulin, Hayato Ushijima‐Mwesigwa+3 more|arXiv (Cornell University)|Oct 1, 2018

Complex Network Analysis Techniques参考文献 27被引用 27

一句话总结

该论文提出了一种可移植的、与架构无关的混合量子-经典框架，用于社区检测，适用于量子退火（D-Wave）和基于门的通用量子计算（QAOA）。通过采用局部搜索方法并结合子问题分解，该框架在模ularity得分上达到与最先进经典求解器相当的水平，展示了在近期含噪声中等规模量子硬件上的跨架构可移植性和可扩展性潜力。

ABSTRACT

One of the roadmap plans for quantum computers is an integration within HPC ecosystems assigning them a role of accelerators for a variety of computationally hard tasks. However, in the near term, quantum hardware will be in a constant state of change. Heading towards solving real-world problems, we advocate development of portable, architecture-agnostic hybrid quantum-classical frameworks and demonstrate one for the community detection problem evaluated using quantum annealing and gate-based universal quantum computation paradigms.

研究动机与目标

• 解决开发与特定量子硬件架构无关的可移植量子算法的挑战。
• 实现在近端含噪声中等规模量子（NISQ）设备上、受限于量子比特数量的大规模社区检测。
• 比较两种主流量子范式——量子退火与基于门的通用量子计算——在相同问题上的性能表现。
• 设计一种支持快速原型开发并可轻松扩展至新型量子后端的框架。
• 证明尽管存在硬件限制，混合量子-经典局部搜索仍可在真实世界图上实现具有竞争力的结果。

提出的方法

• 该框架采用混合量子-经典局部搜索算法，将大规模图分解为固定大小（25个节点）的子问题，以适配当前的量子硬件。
• 每个子问题通过 D-Wave 的量子退火或基于门的量子计算机上的 QAOA 求解，目标函数以模ularity矩阵 B 的二次形式表达。
• 子问题的哈密顿量定义为 Q_s = Σ_{i>j, i,j∈X} 2B_ij s_i s_j + Σ_{i∈X} C_i s_i，其中 C_i 取决于外部节点的连接情况。
• 该算法通过基于量子子问题结果更新社区分配，结合经典优化引导搜索，迭代改进全局解。
• 该框架通过模块化接口支持 D-Wave、QAOA（通过 Intel-QS 模拟）和经典 Gurobi 求解器的互换使用，实现直接比较。
• 该方法使用 Python 实现，利用 NetworkX 进行图操作，设计上可轻松扩展至未来出现的新量子后端。

实验结果

研究问题

• RQ1 单一混合量子-经典框架是否能有效应用于量子计算的不同范式，如量子退火与基于门的量子计算？
• RQ2 在真实世界网络上，量子退火与基于门的量子计算（通过 QAOA 实现）在社区检测问题上的性能如何比较？
• RQ3 在当前含噪声中等规模量子设备（qubit 数量有限）上，采用子问题分解的局部搜索方法在大规模图上能达到多高的模ularity得分？
• RQ4 随着量子硬件的发展和新型后端的出现，该框架能否保持可移植性和性能可移植性？
• RQ5 量子增强的局部搜索是否在真实世界网络数据集上优于或至少匹配经典全局优化求解器（如 Gurobi）？

主要发现

• 量子局部搜索框架实现了与最先进经典求解器相当的模ularity得分，真实世界网络（来自 KONECT 数据集）的结果表明，D-Wave、QAOA 和 Gurobi 三种求解器均表现出色。
• 对于 oz 网络，D-Wave 和 Gurobi 均返回了高于全局求解器已知最优值的模ularity得分，表明在特定情况下可能存在量子优势。
• 该框架在每个网络上使用 30 个随机种子均表现出一致性能，由于使用相同的种子，使得量子与经典求解器之间的比较更加直接且公平。
• 与经典方法相比，量子增强的局部搜索显著减少了求解器调用次数，表明收敛效率更高。
• 采用 25 个节点的子问题大小使该框架能够扩展至最多 400 个节点的图，尽管受限于量子比特数量和相干时间。
• 模块化设计支持无缝集成新型量子后端，有助于实现面向未来的硬件-软件协同设计，推动高性能计算工作负载的量子加速器发展。