[论文解读] EQC : Ensembled Quantum Computing for Variational Quantum Algorithms

Samuel Stein, Yufei Ding+6 more|arXiv (Cornell University)|Nov 29, 2021

Quantum Computing Algorithms and Architecture参考文献 42被引用 6

一句话总结

该论文提出EQC，一种量子集成框架，通过在多个NISQ设备间动态分配任务，加速并稳定变分量子算法（VQA）训练，减少设备特定噪声和训练时间。EQC在500,000次电路评估中，于10台IBMQ设备上实现平均10.5倍的训练加速，最高达86倍，且误差率接近表现最佳的单台设备。

ABSTRACT

Variational quantum algorithm (VQA), which is comprised of a classical optimizer and a parameterized quantum circuit, emerges as one of the most promising approaches for harvesting the power of quantum computers in the noisy intermediate scale quantum (NISQ) era. However, the deployment of VQAs on contemporary NISQ devices often faces considerable system and time-dependant noise and prohibitively slow training speeds. On the other hand, the expensive supporting resources and infrastructure make quantum computers extremely keen on high utilization. In this paper, we propose a virtualized way of building up a quantum backend for variational quantum algorithms: rather than relying on a single physical device which tends to introduce temporal-dependant device-specific noise with worsening performance as time-since-calibration grows, we propose to constitute a quantum ensemble, which dynamically distributes quantum tasks asynchronously across a set of physical devices, and adjusting the ensemble configuration with respect to machine status. In addition to reduced machine-dependant noise, the ensemble can provide significant speedups for VQA training. With this idea, we build a novel VQA training framework called EQC that comprises: (i) a system architecture for asynchronous parallel VQA cooperative training; (ii) an analytic model for assessing the quality of the returned VQA gradient over a particular device concerning its architecture, transpilation, and runtime conditions; (iii) a weighting mechanism to adjust the quantum ensemble's computational contribution according to the systems' current performance. Evaluations comprising 500K circuit evaluations across 10 IBMQ devices using a VQE and a QAOA applications demonstrate that EQC can attain error rates close to the most performant device of the ensemble, while boosting the training speed by 10.5x on average (up to 86x and at least 5.2x).

研究动机与目标

• 解决当前NISQ设备上变分量子算法（VQAs）存在的高噪声和训练速度慢的问题。
• 减少单台设备执行VQA时因校准后时间增加导致的设备特定噪声和性能下降。
• 通过在多台NISQ设备间均衡工作负载，提升量子硬件利用率。
• 通过跨设备集合的异步、协作式量子计算，实现更快、更稳定的VQA训练。
• 开发一种能根据实时性能指标自适应加权各设备贡献的系统。

提出的方法

• 使用考虑架构、编译和运行时条件的分析模型，评估每台设备上VQA梯度的质量。
• 基于实时性能和状态，动态将VQA任务分配给一组物理NISQ设备。
• 采用加权机制，根据设备测量到的可靠性和误差率调整其计算贡献。
• 使用具有有界时间延迟的异步随机梯度下降（SGD），允许来自多台设备的独立、非同步更新。
• 应用参数偏移法进行梯度估计，并使用采样均值估计器近似期望值。
• 在设备间按顺序循环处理参数，保持循环序列以确保优化均衡。

实验结果

研究问题

• RQ1 与单台设备执行相比，NISQ设备集合能否减少设备特定噪声并提升VQA训练稳定性？
• RQ2 在不牺牲准确性的前提下，跨多台量子设备的动态负载均衡能在多大程度上加速VQA训练？
• RQ3 在误差率和训练速度方面，集合系统与表现最佳的单台设备相比如何？
• RQ4 异步、设备无关的梯度更新对VQA中收敛性和优化质量有何影响？
• RQ5 基于实时性能指标加权设备的系统能否在最大化吞吐量的同时实现接近最优的误差率？

主要发现

• 在10台IBMQ NISQ设备上的评估显示，EQC在VQE和QAOA应用中，误差率与表现最佳的单台设备相差不超过1.5%。
• 评估表明，VQA训练的平均速度提升达10.5倍，不同配置下的速度提升范围为5.2倍至86倍。
• 该框架通过根据实时性能动态调整设备权重，保持高保真度，降低了噪声或性能较差设备的影响。
• 具有有界时间延迟的异步训练在理论上证明可收敛至有限误差范围内的解。
• 通过并行、分布式执行，将单台设备（如IBMQ Manhattan）上的训练时间从约4,623小时显著缩短。
• 集合方法缓解了随时间变化的校准漂移和设备特定偏差，提升了整体鲁棒性。