[论文解读] Modernizing Quantum Annealing II: Genetic Algorithms and Inference

Nicholas Chancellor|arXiv (Cornell University)|Sep 19, 2016

Neural Networks and Reservoir Computing参考文献 27被引用 3

一句话总结

本文提出了「推理原语」形式化方法，以泛化量子退火控制，支持对量子比特或量子比特簇的个性化退火时序与初始条件注入。该方法展示了如何利用此框架支持遗传算法等高级算法，并提升与现有优化技术的兼容性，从而扩展量子退火器的算法潜力。

ABSTRACT

Quantum annealing allows for quantum fluctuations to be used used to assist in finding the solution to some of the worlds most challenging computational problems. Recently, this field has attracted much interest because of the construction of large-scale flux-qubit based quantum annealing devices. There has been recent work on [Chancellor NJP 19(2):023024, 2017] how the control protocols of these devices can be modified so that individual annealer calls on real devices can take initial conditions. Development is being undertaken to implement such protocols in the quantum annealing devices designed by D-Wave Systems Inc. and these features will be available to customers soon. In this paper, I develop a formalism for algorithmic design in quantum annealers, which I call the `inference primitive' formalism. This formalism allows for a natural description of calls to quantum annealers with a general control structure. This more generalized control structure includes not only the ability to include initial conditions in an annealer run, but also to control the annealing schedules of qubits or clusters of qubits independently, thereby representing relative certainty values of different parts of a candidate solution. I discuss the compatability of such controls with a wide variety of other current efforts to improve the performance of annealers, such as non-stoquatic drivers, synchronizing freeze times for the qubits, and belief propagation techniques. To demonstrate the power of the formalism I present here, I discuss how this new formalism can be used to represent annealer implementations of genetic algorithms, and can represent the addition of genetic components to currently used algorithms. The new tools I develop will allow a more complete understanding of the algorithmic space available to quantum annealers, and thereby make the field more competitive.

研究动机与目标

• 开发一种广义的量子退火控制形式化方法，以支持复杂且非均匀的退火协议。
• 实现将初始条件和相对置信度值纳入量子退火器运行过程。
• 提升与现有量子退火增强技术（如非稳态驱动和信念传播）的兼容性。
• 展示该形式化方法如何表示并集成遗传算法组件至量子退火工作流中。
• 扩展量子退火器在解决复杂优化问题时可使用的算法设计空间。

提出的方法

• 提出「推理原语」形式化方法，作为指定量子退火控制协议的结构化框架。
• 支持对量子比特或量子比特簇独立调度，以反映对部分解的置信度水平。
• 支持将初始条件注入退火器运行过程，从而支持迭代或自适应优化策略。
• 将该形式化方法与现有技术（如非稳态驱动和同步冻结时间）集成。
• 将该形式化方法应用于建模遗传算法操作（如选择、交叉和变异）在量子退火工作流中的实现。
• 展示其与信念传播及其他基于推理的优化方法的兼容性。

实验结果

研究问题

• RQ1 如何泛化量子退火控制，以支持在量子比特或量子比特簇上实现非均匀的退火时序？
• RQ2 初始条件以何种方式可被有意义地注入量子退火器运行过程，以提升解的质量？
• RQ3 「推理原语」形式化方法如何将遗传算法组件集成至量子退火过程？
• RQ4 「推理原语」与非稳态驱动及信念传播技术的兼容性如何？
• RQ5 该形式化方法如何扩展量子退火中可用的算法策略范围？

主要发现

• 「推理原语」形式化方法实现了对退火时序的精确、按量子比特或按量子比特簇的控制，能够表示对部分解的相对置信度。
• 该形式化方法支持将初始条件注入量子退火器运行过程，从而促进迭代与自适应优化策略的实现。
• 遗传算法操作（如选择、交叉和变异）可使用该形式化方法原生地表示于量子退火工作流中。
• 该框架增强了与先进技术（如非稳态驱动和信念传播）的兼容性，支持混合算法设计。
• 该形式化方法提供了一种统一且可扩展的语言，用于描述复杂的量子退火协议，提升了量子退火作为计算范式的表达能力与竞争力。