[论文解读] Enabling Dataflow Optimization for Quantum Programs

David Ittah, Thomas Häner+2 more|arXiv (Cornell University)|Jan 26, 2021

Quantum Computing Algorithms and Architecture参考文献 32被引用 6

一句话总结

本文提出 QIRO，一种用于量子程序的多级中间表示（IR），通过在优化方言中显式编码量子与经典数据流（基于值语义），实现高级静态优化。通过利用 MLIR 并分离输入（内存语义）与优化（值语义）方言，QIRO 实现了显著的资源减少——在秀尔算法中，门数最多减少 40%，同时仅引入少量且恒定的编译开销，使其适用于大规模量子应用。

ABSTRACT

We propose an IR for quantum computing that directly exposes quantum and classical data dependencies for the purpose of optimization. The Quantum Intermediate Representation for Optimization (QIRO) consists of two dialects, one input dialect and one that is specifically tailored to enable quantum-classical co-optimization. While the first employs a perhaps more intuitive memory-semantics (quantum operations act as side-effects), the latter uses value-semantics (operations consume and produce states). Crucially, this encodes the dataflow directly in the IR, allowing for a host of optimizations that leverage dataflow analysis. We discuss how to map existing quantum programming languages to the input dialect and how to lower the resulting IR to the optimization dialect. We present a prototype implementation based on MLIR that includes several quantum-specific optimization passes. Our benchmarks show that significant improvements in resource requirements are possible even through static optimization. In contrast to circuit optimization at run time, this is achieved while incurring only a small constant overhead in compilation time, making this a compelling approach for quantum program optimization at application scale.

研究动机与目标

• 解决现有中间表示缺乏显式暴露量子程序中数据流依赖关系的问题，从而阻碍有效优化。
• 克服现有量子 IR 使用内存语义（副作用）的局限性，后者使得依赖显式数据流的经典编译优化无法复用。
• 通过设计支持值语义的专用优化方言，使数据依赖显式化，从而在大规模场景下实现量子-经典联合优化。
• 支持需要数十亿至数万亿个门的大规模量子应用，其中扁平门列表表示法已不可行。
• 构建一个编译栈，使静态优化阶段能够减少资源开销，避免运行时优化带来的可扩展性问题。

提出的方法

• 设计双方言 IR：输入方言（Quantum）使用内存语义（对量子比特引用的副作用操作），优化方言（QuantumSSA）使用值语义（操作消耗并产生量子态）。
• 通过保留语义并暴露控制流的翻译层，将现有量子语言（如 Qiskit、ProjectQ）映射到输入方言。
• 通过将寄存器访问转换为显式的提取与组合指令，将输入方言降低到优化方言，从而显式表达数据流。
• 在 MLIR 中实现 IR，以复用现有编译基础设施，包括经典与量子代码的优化阶段与底层支持。
• 集成量子特定的优化阶段，如常量折叠与公共子表达式消除，这些优化得益于 QuantumSSA 方言中的显式数据流。
• 使用部分求值与数据流分析，在编译时推断寄存器值，从而实现激进优化，如在混合量子-经典代码中消除 CNOT 门。

实验结果

研究问题

• RQ1 能否设计一种量子 IR，显式编码量子与经典数据依赖关系，以支持基于数据流的优化？
• RQ2 当通过值语义显式表达数据流时，现有经典编译优化在量子程序中可复用的程度如何？
• RQ3 在大规模场景下，静态优化是否能有效降低量子 IR 的资源需求（如门数），而不会引入 prohibitively 高的编译开销？
• RQ4 与运行时优化方法相比，所提出的 IR 在支持大规模量子算法的量子-经典联合优化方面效果如何？
• RQ5 在 MLIR 中分离输入方言与优化方言，是否能同时实现量子程序编译的可用性与性能？

主要发现

• 通过静态优化，QIRO 在秀尔算法中将门数最多减少 40%，在资源效率方面优于运行时优化方法。
• QIRO 的优化阶段引入的编译开销保持较小且恒定，即使问题规模增大，也使其适用于大规模量子应用。
• QuantumSSA 方言中使用值语义，使有效数据流分析成为可能，从而可将经典优化阶段（如公共子表达式消除）应用于量子代码。
• 在 MLIR 中的原型实现成功集成量子特定优化，如广义常量折叠，证明了其实际可行性。
• 通过显式暴露数据流，QIRO 实现了在扁平门列表或内存语义 IR 中无法实现的优化，例如在编译时推断寄存器值后消除冗余 CNOT 门。
• 该方法支持具有复杂控制流的混合量子-经典程序，实现了现有 IR 或运行时优化框架无法实现的联合优化。