[论文解读] Predicting Good Quantum Circuit Compilation Options

Nils Quetschlich, Lukas Burgholzer+1 more|arXiv (Cornell University)|Oct 14, 2022

Quantum Computing Algorithms and Architecture参考文献 43被引用 4

一句话总结

本文提出了一种监督式机器学习框架，用于预测量子线路编译的最佳组合——包括量子比特技术、设备、编译器及设置参数。该框架在超过75%的未见线路中实现了最优编译选项，并将中位数编译时间减少了逾一个数量级。该方法将量子线路编译选项选择问题转化为分类任务，利用训练好的模型自动化专家级决策，适用于非专家用户。

ABSTRACT

Any potential application of quantum computing, once encoded as a quantum circuit, needs to be compiled in order to be executed on a quantum computer. Deciding which qubit technology, which device, which compiler, and which corresponding settings are best for the considered problem -- according to a measure of goodness -- requires expert knowledge and is overwhelming for end-users from different domains trying to use quantum computing to their advantage. In this work, we treat the problem as a statistical classification task and explore the utilization of supervised machine learning techniques to optimize the compilation of quantum circuits. Based on that, we propose a framework that, given a quantum circuit, predicts the best combination of these options and, therefore, automatically makes these decisions for end-users. Experimental evaluations show that, considering a prototypical setting with 3000 quantum circuits, the proposed framework yields promising results: for more than three quarters of all unseen test circuits, the best combination of compilation options is determined. Moreover, for more than 95% of the circuits, a combination of compilation options within the top-three is determined -- while the median compilation time is reduced by more than one order of magnitude. Furthermore, the resulting methodology not only provides end-users with a prediction of the best compilation options, but also provides means to extract explicit knowledge from the machine learning technique. This knowledge helps in two ways: it lays the foundation for further applications of machine learning in this domain and, also, allows one to quickly verify whether a machine learning algorithm is reasonably trained. The corresponding framework and the pre-trained classifier are publicly available on GitHub (https://github.com/cda-tum/MQTPredictor) as part of the Munich Quantum Toolkit (MQT).

研究动机与目标

• 解决非专家用户在多样化量子比特技术、设备、编译器及设置参数中选择最优编译选项时面临的复杂性问题。
• 通过将量子线路编译转换为监督式机器学习分类任务，实现编译决策过程的自动化。
• 减少选择高性能编译配置所需的时间与专业知识，尤其针对无量子计算背景的终端用户。
• 从训练好的模型中提供可解释性洞察，以验证模型行为并指导未来在量子编译中的机器学习应用。
• 构建一个可扩展、可扩展的框架，能够适应新设备、新编译器及校准数据，而无需从头开始完全重新训练。

提出的方法

• 该框架将编译选项选择问题视为多分类问题，输入为量子线路，输出为最优的量子比特技术、设备、编译器及设置组合。
• 使用来自MQT Bench库的3,000个量子线路数据集，通过30种不同的选项组合（2种技术、5台设备、2个编译器、6组设置）进行编译，生成带标签的训练数据。
• 在该数据上训练监督式机器学习分类器，以预测新未见线路的最佳编译配置。
• 模型设计具备可解释性，可通过特征重要性与决策路径提取显式知识，以验证训练质量。
• 该框架支持增量更新：通过新校准数据或新增编译选项重新评估已有已编译线路，可在无需重新编译的情况下进行再训练。
• 采用热启动再训练策略，使用先前训练的模型参数作为初始化，提升在新增数据下更新模型的效率。

实验结果

研究问题

• RQ1 机器学习模型能否准确预测给定量子线路的最佳编译配置（量子比特技术、设备、编译器、设置）？
• RQ2 在未见量子线路上，模型的性能在top-1与top-3预测准确率方面如何扩展？
• RQ3 与对所有配置组合进行穷举搜索相比，该模型在多大程度上减少了编译时间？
• RQ4 模型能否提供可解释的洞察，以支持其预测的验证并指导未来研究？
• RQ5 该模型在无需完全重新训练的情况下，多高效地支持新设备、新编译器或新校准数据的集成？

主要发现

• 所提出的框架在超过75%的未见测试线路中成功预测了最佳编译选项（top-1），表现出强大的泛化能力。
• 在超过95%的线路中，模型识别出位于前三名的最佳编译配置，表明其具有高度可靠性。
• 与穷举测试全部30种配置组合并选择最优结果相比，中位数编译时间减少了逾一个数量级。
• 该框架支持增量更新：已编译的线路持久化存储，可在无需重新编译的情况下，利用新校准数据重新评估。
• 模型的可解释性使用户能够从预测中提取显式知识，从而验证模型行为，并指导未来在量子编译中的机器学习应用。
• 开源框架与预训练分类器已作为慕尼黑量子工具包（MQT）的一部分，在GitHub上公开发布，便于采用与扩展。