[论文解读] Practical application-specific advantage through hybrid quantum computing

Michael Perelshtein, Asel Sagingalieva+8 more|arXiv (Cornell University)|May 10, 2022

Quantum Computing Algorithms and Architecture被引用 21

一句话总结

该论文提出一个以内存为中心的混合量子云（QMware），将量子资源和经典资源集成以解决优化、机器学习和仿真任务，在特定问题上相对于经典方法显示出实际优势。

ABSTRACT

Quantum computing promises to tackle technological and industrial problems insurmountable for classical computers. However, today's quantum computers still have limited demonstrable functionality, and it is expected that scaling up to millions of qubits is required for them to live up to this touted promise. The feasible route in achieving practical quantum advantage goals is to implement a hybrid operational mode that realizes the cohesion of quantum and classical computers. Here we present a hybrid quantum cloud based on a memory-centric and heterogeneous multiprocessing architecture, integrated into a high-performance computing data center grade environment. We demonstrate that utilizing the quantum cloud, our hybrid quantum algorithms including Quantum Encoding (QuEnc), Hybrid Quantum Neural Networks and Tensor Networks enable advantages in optimization, machine learning, and simulation fields. We show the advantage of hybrid algorithms compared to standard classical algorithms in both the computational speed and quality of the solution. The achieved advance in hybrid quantum hardware and software makes quantum computing useful in practice today.

研究动机与目标

• 在内存为中心的 HPC 环境中，推动并构建一个将量子资源与经典资源整合的实用混合量子计算平台。
• 证明混合量子算法在优化（MaxCut）、机器学习（分类和回归）以及量子启发的仿真中能带来速度和质量上的优势。
• 展示统一的内存中心架构如何实现高效的量子-经典交互和对工业与科研用途的可扩展性。

提出的方法

• 引入一个具备内存式计算和统一量子电路中间表示的内存中心 HQC 云（QMware）。
• 通过统一 SDK 以跨拓扑的模拟 QPU 和原生 QPU 使用混合量子算法（QuEnc、HQNN、张量网络方法）。
• 将 QuEnc 应用于 MaxCut 作为一种量子编码、振幅编码的变分方法，并在不同硬件设置下与 CPLEX 进行比较。
• 开发用于分类和回归基准的混合量子神经网络，显示在准确性和数据效率方面优于经典网络。
• 展示基于张量网络的仿真作为一种量子启发方法，在对偏微分方程类问题的尺度和表现上具有有利的扩展性。

实验结果

研究问题

• RQ1 内存中心的混合量子云在实际中是否能在离散优化（MaxCut）方面胜过经典求解器？
• RQ2 混合量子神经网络在分类与回归任务中是否比经典网络提供切实的准确性和数据效率提升？
• RQ3 相比传统求解器，量子启发的张量网络是否在高维仿真方面提供可扩展的优势？
• RQ4 在统一内存模型中整合模拟 QPU、CPU 和 GPU，如何影响混合量子应用的端到端性能？

主要发现

• 在仿真中，QuEnc 以振幅编码在256节点图上比 CPLEX 在1分钟内得到更准确的 MaxCut 解（成本在文中给出）。
• 使用 QuEnc 然后 CPLEX 的混合流程在1024节点图上获得改进的解，超过报道的纯 CPLEX 性能。
• HQNN 在圆内圆分类任务上测试准确度高于经典网络（0.940 对比 0.831），并且收敛更快（32 次对比 317 次 epoch）。
• 波士顿房价回归的混合模型在测试损失方面低于经典模型 12-16%，表明在较小数据集上具有鲁棒性。
• 基于张量网络的泊松类问题仿真相较于共轭梯度方法显示指数级或更优的扩展性，在有限硬件上能处理非常大的问题空间（高达 10^9 点）。