[论文解读] Memory-Efficient Quantum Circuit Simulation by Using Lossy Data Compression

Xin-Chuan Wu, Sheng Di+4 more|arXiv (Cornell University)|Nov 14, 2018

Quantum Computing Algorithms and Architecture参考文献 14被引用 7

一句话总结

本文提出了一种内存高效的量子线路仿真框架，通过使用有损数据压缩来减少大规模量子线路仿真中指数级增长的内存需求。通过将SZ有损压缩器应用于带有误差界限和归一化的态矢量切片，该方法在Grover搜索算法中实现了最高达445,144×的压缩率，使63量子比特系统在0.8 petabytes内存下得以仿真——突破了此前49量子比特的限制。

ABSTRACT

In order to evaluate, validate, and refine the design of new quantum algorithms or quantum computers, researchers and developers need methods to assess their correctness and fidelity. This requires the capabilities of quantum circuit simulations. However, the number of quantum state amplitudes increases exponentially with the number of qubits, leading to the exponential growth of the memory requirement for the simulations. In this work, we present our memory-efficient quantum circuit simulation by using lossy data compression. Our empirical data shows that we reduce the memory requirement to 16.5% and 2.24E-06 of the original requirement for QFT and Grover's search, respectively. This finding further suggests that we can simulate deep quantum circuits up to 63 qubits with 0.8 petabytes memory.

研究动机与目标

• 为克服全振幅矢量量子线路仿真中导致仿真规模受限于约49量子比特的指数级内存增长问题。
• 通过以计算时间换取内存空间，实现对更深更复杂的量子线路的仿真。
• 评估在可控误差界限下使用有损压缩以保持仿真保真度的可行性。
• 在经典HPC系统的内存容量限制下，扩展量子线路仿真的可扩展性。
• 在代表性量子算法（如QFT和Grover搜索）上验证该方法，评估保真度、压缩率和性能开销。

提出的方法

• 将量子态矢量划分为多个切片，每个切片使用用户定义误差界限（每振幅1%）的SZ有损压缩器进行压缩。
• 在仿真过程中，每个切片被解压缩，经过归一化以保持幺正性，再经量子门操作处理后重新压缩。
• 在解压缩后应用归一化，以减轻有损压缩带来的误差传播。
• 该框架与Intel-QS（一种分布式HPC量子仿真器）集成，使用MPI实现多个切片的并行处理。
• 动态监控压缩率和保真度，以确保在内存约束下仍能保持可接受的仿真精度。
• 该方法允许在保真度与压缩率之间进行权衡，使具有相似振幅值的算法可实现更高压缩率。

实验结果

研究问题

• RQ1 有损数据压缩是否能在不牺牲仿真保真度的前提下，显著降低全振幅矢量量子线路仿真中的内存需求？
• RQ2 在受控误差界限下，标准量子算法（如QFT和Grover搜索）的可实现压缩率和性能开销是多少？
• RQ3 压缩率如何随线路深度和量子比特数变化？在固定内存预算下，最多可额外仿真多少个量子比特？
• RQ4 有损压缩引入的误差是否可被界定，并与真实量子系统中的物理噪声相关联？
• RQ5 该方法在现有HPC系统上，能将仿真能力扩展到多大程度，超越当前49量子比特的阈值？

主要发现

• 对于30量子比特的量子傅里叶变换（QFT），该方法实现了最低6×的压缩率和98%的保真度，使相同内存容量下可多仿真2个量子比特。
• 对于30量子比特的Grover搜索算法，该方法实现了惊人的445,144×压缩率和99.75%保真度，使0.8 petabytes内存下可实现高达63量子比特的仿真。
• QFT30和Grover搜索的性能开销均为19×，表明在获得显著内存节省的前提下，计算成本是可管理的。
• 对于振幅值高度相关或均匀的算法（如Grover搜索），由于数据特性有利于有损压缩，压缩率显著提高。
• 结果表明，使用0.8 petabytes内存，该方法可实现63量子比特系统的仿真——相比此前49量子比特的限制，扩展了14个量子比特。
• 趋势显示，更大规模的仿真可能因固定压缩/解压缩成本在更大数据集上被分摊，而表现出更低的相对性能开销。