[论文解读] QPanda: high-performance quantum computing framework for multiple application scenarios

Menghan Dou, Tianrui Zou+9 more|arXiv (Cornell University)|Dec 29, 2022

Quantum Computing Algorithms and Architecture被引用 8

一句话总结

QPanda 是一个为 NISQ 时代量子计算设计的高性能、多场景量子编程框架，支持在量子化学、金融和机器学习等多样化应用中高效模拟、编译和优化量子线路。它在 CPU 和 GPU 上实现了卓越的模拟性能，并通过先进的线路优化和映射技术，实现了在物理量子处理器上的高保真执行。

ABSTRACT

With the birth of Noisy Intermediate Scale Quantum (NISQ) devices and the verification of "quantum supremacy" in random number sampling and boson sampling, more and more fields hope to use quantum computers to solve specific problems, such as aerodynamic design, route allocation, financial option prediction, quantum chemical simulation to find new materials, and the challenge of quantum cryptography to automotive industry security. However, these fields still need to constantly explore quantum algorithms that adapt to the current NISQ machine, so a quantum programming framework that can face multi-scenarios and application needs is required. Therefore, this paper proposes QPanda, an application scenario-oriented quantum programming framework with high-performance simulation. Such as designing quantum chemical simulation algorithms based on it to explore new materials, building a quantum machine learning framework to serve finance, etc. This framework implements high-performance simulation of quantum circuits, a configuration of the fusion processing backend of quantum computers and supercomputers, and compilation and optimization methods of quantum programs for NISQ machines. Finally, the experiment shows that quantum jobs can be executed with high fidelity on the quantum processor using quantum circuit compile and optimized interface and have better simulation performance.

研究动机与目标

• 为应对日益增长的对灵活、高性能量子编程框架的需求，支持量子金融、材料模拟和量子机器学习等多样化应用领域。
• 通过将超级计算机与量子处理器集成，实现大规模量子任务的混合量子-经典计算，提升效率。
• 通过可控的噪声模型和错误缓解支持，提升量子算法的鲁棒性。
• 通过先进的线路优化和编译技术，提升 NISQ 设备的模拟效率与保真度。
• 提供用户友好、可扩展的框架，支持高层量子语言集成与底层 QPU 交互。

提出的方法

• QPanda 实现了一个高性能的量子线路模拟器，支持 CPU 和 GPU 加速，采用优化的门融合与并行化技术。
• 提供统一的编译流水线，根据设备拓扑结构（如网格、环形）和门约束，将逻辑量子线路映射到物理量子比特布局。
• 框架集成了线路优化策略，如通过 aggregate_operations 实现的门融合和 CNOT 门数量减少，以最小化线路深度和门数。
• 通过支持量子处理器与超级计算机之间的无缝集成，实现电路划分与分布式执行，支持混合量子-经典工作负载。
• 提供可配置的噪声模型后端，用于增强量子算法设计的鲁棒性及错误缓解测试。
• 通过模块化后端系统，支持与外部量子库（如 Cirq 和 PennyLane）集成，作为 QPanda 的执行后端。

实验结果

研究问题

• RQ1 如何设计一个量子编程框架，以支持包括量子化学、金融和机器学习在内的多样化应用场景？
• RQ2 哪些模拟与编译技术能够最大化 NISQ 时代量子计算的性能与保真度？
• RQ3 如何通过线路优化在受限量子硬件上减少门数与深度，同时保持算法正确性？
• RQ4 超级计算机在支持大规模量子线路混合量子-经典计算中扮演何种角色？
• RQ5 噪声模型与错误缓解策略的集成如何提升量子算法在实际部署中的鲁棒性？

主要发现

• 在随机线路的单线程与多线程 CPU 模拟中，QPanda 在启用电路优化时，性能优于 Qiskit 和 Qulacs 等前沿框架。
• QPanda 的 GPU 加速模拟相比纯 CPU 执行显著更快，且模拟精度与参考结果的偏差在 10^-3 以内。
• 在网格与环形拓扑的多种 QAOA 基准测试中，QPanda 的电路优化将线路深度平均降低 35%，CNOT 门数量平均减少 50%。
• 经编译与优化的量子线路在物理量子处理器上执行时表现出高保真度，验证了 QPanda 映射与编译流水线的有效性。
• 该框架实现了高性能模拟与高效的 QPU 交互，在多个基准配置中显著提升了执行速度与资源效率。
• QPanda 的模块化后端设计成功支持与外部量子库的集成，实现了更广泛的生态系统可扩展性。