[论文解读] On the Emerging Potential of Quantum Annealing Hardware for Combinatorial Optimization

Byron Tasseff, Tameem Albash+5 more|arXiv (Cornell University)|Oct 9, 2022

Quantum Computing Algorithms and Architecture被引用 22

一句话总结

本论文在硬件原生的 CBFM-P Ising 实例上对 D-Wave Advantage 量子退火器进行基准测试，并显示在大规模问题上相对于经典启发式的潜在运行时间收益，尽管并非普适的加速。

ABSTRACT

Over the past decade, the usefulness of quantum annealing hardware for combinatorial optimization has been the subject of much debate. Thus far, experimental benchmarking studies have indicated that quantum annealing hardware does not provide an irrefutable performance gain over state-of-the-art optimization methods. However, as this hardware continues to evolve, each new iteration brings improved performance and warrants further benchmarking. To that end, this work conducts an optimization performance assessment of D-Wave Systems' most recent Advantage Performance Update computer, which can natively solve sparse unconstrained quadratic optimization problems with over 5,000 binary decision variables and 40,000 quadratic terms. We demonstrate that classes of contrived problems exist where this quantum annealer can provide run time benefits over a collection of established classical solution methods that represent the current state-of-the-art for benchmarking quantum annealing hardware. Although this work does not present strong evidence of an irrefutable performance benefit for this emerging optimization technology, it does exhibit encouraging progress, signaling the potential impacts on practical optimization tasks in the future.

研究动机与目标

• 评估最新的 D-Wave Advantage 硬件是否能在硬件原生的 Ising 问题上超过经典优化方法。
• 描述对经典求解器来说具有挑战性但对量子退火硬件可处理的问题类别与实例分布。
• 评估在使用 QA 硬件时，运行时间如何随问题规模和开销的变化而变化。
• 讨论量子退火在实际优化任务中的局限性与未来机会。

提出的方法

• 将基于自旋的优化建模为变量取值在 {-1,1} 的 QUBO。
• 在 Advantage QPU 上使用面向 Pegasus 拓扑的硬件原生 CBFM-P 实例，537? - actually 5,387 variables and 25,324 couplings.
• 将 QA 与经典算法进行基准比较：最陡坐标下降、Gurobi IQP、模拟退火、自旋向量蒙特卡洛、带同质能聚类移动的并行退火（parallel tempering with iso-energetic clustering moves）。
• 将退火时间固定为 62.5 微秒，并在 10 到 5,120 的 anneal-read 循环之间变化以控制计算时间。
• 通过 LEAP 引入自旋反转变换以减小控制误差，并报告相对于已知最佳解的解质量。
• 分析理想运行时间（无开销）与包含云服务开销的实际墙钟时间。

实验结果

研究问题

• RQ1 D-Wave Advantage 硬件是否能在某些大型 Ising 实例上相对经典方法实现运行时间收益？
• RQ2 问题规模如何影响量子退火相对于先进的经典启发式方法的竞争力？
• RQ3 当前 QA 硬件在硬件原生实例上实现接近全局最优解方面存在哪些局限性？
• RQ4 未来硬件与算法改进有哪些机会可以放大 QA 的收益？

主要发现

• QA 硬件能够在大型硬件原生实例上非常快速地产出高质量解。
• 对于最大的 CBFM-P 实例（最多 5,387 个变量），QA 解决方案在较短的运行时间内就接近已知最优解，误差在 0.2% 以内。
• 在理想条件下，QA 在与最大规模问题的解质量相匹配方面相对于最佳经典启发式方法的运行时间改进可达到约 15 倍；在云开销存在时，改进仍然显著（墙钟时间约为 18 倍）。
• 运行时的优势在大约 1,000 个变量左右开始显现并随问题规模增长，其中 PT-ICM 与 SA 是最强的经典对手。
• QA 的结果取决于硬件原生实例的难度，并不能保证对现实世界的稀疏问题具有普遍的加速。